Top PDF COMISSÃO DAS COMUNIDADES EUROPEIAS. Proposta de REGULAMENTO DO CONSELHO

CONCLUSIONES Los primeros resultados obtenidos en relación al proyecto de viticultura de precisión orientado, entre otros objetivos, a la predicción localizada de cosecha de distintas variedades de viña en Rai- mat (Codorníu, S.A.), indican que es posible obtener modelos de predicción con una alta correlación cuando intervienen no solamente variables indicadoras del vigor del cultivo sino también variables determinantes de la fertilidad de la viña (número de yemas, brotes y racimos). Esto significa que, de cara a una buena predicción localizada de la cosecha, que puede ser de gran interés en la zonificación de las parcelas por áreas homogéneas de producción y/o calidad, se hace necesario el muestreo detallado de estas últimas variables.

Una cuestión clave para la viticultura de precisión es contar con una buena cartografía temática sobre estado vegetativo, rendimiento de cosecha, tipo de suelo, etc. Se han desarrollado protocolos para elaboración de mapas del estado vegetativo o vigor (Johnson et al., 2001), de rendimiento de uva (Bramley y Williams, 2001), de paráme- tros de maduración y calidad de uva (Bramley, 2005) e incluso relación suelo/uva (Bramley, 2001). Flores (2007) consiguió caracterizar suelos de viña para implantar sistemas de VP en Chile, país en el que también se han definido metodologías para hacer mapas de rendimiento de uva (Esser y Ortega, 2002) y parámetros de calidad de la uva y suelos (Esser et al., 2002). En España se han llevado a cabo trabajos de viticultura de precisión en los que se elabo- raron mapas de rendimiento a partir de análisis químicos de peciolos de hoja de vid, relacionándolos con imágenes de satélite (Arnó et al., 2005).

La AP se puede llevar a cabo utilizando distintas tecnologías, por ejemplo, GPS y monitor de rendimiento en máquinas de cosecha. De este modo la cantidad cosechada queda geolocalizada y se pueden realizar mapas de rendimiento. Otro tipo de tecnología es sobrevolar la parcela agrícola con una “avioneta” que incorpore una cámara multiespectral con el fin de cartografiar el vigor del cultivo. Las imágenes de satélite, son otra herramienta tecnológica para llevar a cabo la AP, ya que permite determinar el vigor, índice de área foliar, el contenido de clorofila de las plantas y otros parámetros biofísicos. La concentración de clorofila es un índice clave para monitorear el vigor y la expresión vegetativa de las plantas (Gross, 1991, en Villalobos, 2009).

En el Capítulo 2 se ha demostrado que la obtención de un mapa de cosecha, a partir de la información suministrada por un monitor instalado en una vendimiado- ra, exige unos conocimientos mínimos de geoestadística. Pero, la comprensión de la relación existente entre la cosecha y los parámetros muestreados de suelo o de cultivo exige la utilización de diversas técnicas de análisis multivariante de datos. El estudio de la correlación lineal entre variables es una de las técnicas más utili- zadas en este tipo de estudios. Sin embargo (Kitchen et al., 2003), los resultados de este tipo de análisis, donde es frecuente obtener un número considerable de correlaciones débiles pero significativas, deben ser únicamente indicativos de las variables o propiedades que deben incluirse posteriormente en otros análisis más robustos. Otra posibilidad muy utilizada es el ajuste de modelos de regresión múltiple de la cosecha, concretamente, mediante la selección hacia delante de las va-riables con mayor significación. Esta metodología se ha mostrado muy útil, por ejemplo, para la evaluación de los efectos aditivos de ciertas propiedades del suelo y de la topografía de la parcela sobre la cosecha de varios cultivos (Kitchen et al., 2003). Por otro lado, las técnicas de minería de datos tampoco deben ser descarta- das. Plant et al. (1999), por ejemplo, utilizan árboles de clasificación y regresión para la identificación de las causas de la variabilidad espacial de la cosecha de trigo en un sistema productivo con rotación trigo/tomate.

Tabla 2.1. Datos de las parcelas de estudio (1). (Catasús & Fernández, 2008) El relieve de las parcelas es ondulado con pendientes variables entre el 5 y el 20%. y altitudes que oscilan entre 160 y 350 meros. Su superficie varía entre 1 y 14 hectáreas. Las viñas, de edad comprendida entre 5 y 14 años, están conducidas en espaldera vertical simple, con soportes de alambre a 2 o 3 niveles. El tipo de poda es corta (en doble cordón Royat) o mixta, en pulgares y varas, con una carga variable entre 12 y 18 yemas por cepa. Las prácticas de cultivo aplicadas son las tradicionales en la zona. (Reglament D.O. Penedès, 2006). Aunque el riego antes del envero está autorizado en esta D.O., las viñas se mantuvieron durante el año 2008 en condiciones de secano, con suelo libre de vegetación espontánea.

Sin embargo y, por otra parte, siempre que no se pretenda explotar la dependencia angular de la reflectividad, ésta introduce un factor de variabilidad en la señal que debe ser tratado como un ‘ruido’ que enmascara la información de interés. Así pues, la anisotropía de la reflectividad puede considerarse, también, como una fuente de error en todas aquellas medidas de reflectividad o parámetros de la cubierta vegetal derivados a partir de ésta. Tradicionalmente, el estudio de la cubierta vegetal del suelo mediante imágenes de satélite se ha fundamentado en la distinta respuesta radiométrica que suelo y vegetación tienen en el dominio solar del espectro (Meliá et al., 1986). En este sentido, basándose en la característica espectral de suelo y vegetación, los índices de vegetación nos proporcionan un método rápido y eficaz para cuantificar la abundancia de vegetación (Gilabert et al., 1997). En el cálculo de los índices espectales de vegetación, la anisotropía de la reflectividad constituye una perturbación que debemos minimizar en lo posible, análogamente a como, por ejemplo, se corrige el efecto en la señal del suelo de fondo o de la atmósfera. Precisamente, en este sentido abordamos el problema de la anisotropía en el presente trabajo. Se realiza un estudio comparativo que trata de analizar cómo se ven afectados algunos de los índices de vegetación más utilizados (véase Tabla 3) por las variaciones en el ángulo cenital solar con que se ilumina la escena y, entre estos índices, trataremos de encontrar los que se vean menos influenciados por los efectos de la anisotropía en la señal. Se han utilizado datos de avión del sensor HyMap, con vuelos efectuados sobre una explotación agrícola situada en Barrax (Albacete). En esta zona de estudio podemos encontrar cultivos con características distintas, lo que permite analizar el comportamiento de los índices de vegetación frente a las variaciones del ángulo cenital solar en un amplio rango de valores del LAI. Realizaremos las medidas tanto en el plano de observación principal (plano que contiene a la fuente de iluminación y al vector normal a la superficie observada) como en el ortogonal (plano de observación perpendicular al plano principal). Así mismo, las medidas se toman bajo ángulos cenitales de observación pequeños. De este modo se minimiza la influencia del ángulo cenital de observación y se puede considerar que las observaciones, aproximadamente, se efectúan desde el nadir.

El suscrito, Ph.D. Pavel Novoa Hernández, docente de la Universidad Técnica Estatal de Quevedo, certifica que la Srta. Angie Sthepanie Aguilar Zambrano y el Sr. Gabriel Fernando Nuñez Villalba, realizaron el Proyecto de Investigación de Grado Titulado: “APLICACIÓN MÓVIL INTELIGENTE PARA LA PREDICCIÓN DE LA PÉRDIDA DE SEÑAL EN REDES DE TELECOMUNICACIÓN A PARTIR DE VARIABLES METEOROLÓGICAS”, previo a la obtención del título de Ingeniera en Telemática e Ingeniero en Sistemas, bajo mi dirección, habiendo cumplido con las disposiciones reglamentarias establecidas para el efecto.

19 El Índice de Vegetación Ajustado al Suelo (SAVI) es propuesta por Huete (1988). Está preparado para minimizar los efectos del fondo de suelo sobre la señal de vegetación al incorporar un factor L de ajuste del suelo constante en el denominador de la ecuación NDVI. L varía con las características de reflectancia del suelo (Ej.: color y brillo). Huete (1988) provee un gráfico de donde se pueden extraer los valores de L. El factor L elegido depende de la densidad de la vegetación que uno desea analizar. Para un nivel de densidad muy pobre, Huete y colaboradores (1988) sugieren usar un factor L de 1,0; para un nivel intermedio, 0,5 y para uno alto, 0,25. Walther y Shabaani (1991) proponen que el mejor valor L para seleccionar es donde la diferencia entre los valores de SAVI para suelos oscuros (dark soil) y claros (light soil) es mínima. Para L = 0, SAVI es igual a NDVI. Para L = 100, SAVI se aproxima a PVI.

Los resultados obtenidos en el presente estudio, per- miten destacar elevadas correlaciones entre la edad de- cimal y las variables antropométricas de peso, estatura, estatura sentada, longitud de miembros inferiores y la relación peso/estatura en escolares de ambos sexos (0,54-0,98). Evidentemente esto significa que tales va- riables son excelentes predictores del PVC y consecuen- temente pueden ser utilizados para predecir el máximo crecimiento durante la adolescencia de forma transver- sal. Las variables antropométricas consideradas en el estudio evidencian alta reproductibilidad intra-evalua- dor (r=0,96-0,98) y un error técnico de medida inferior al 2%, similar a algunos estudios (1,14). De hecho, es necesario aplicar protocolos correctos para la evalua- ción de las medidas antropométricas, de tal forma que garantice una adecuada predicción del PVC. Este proce- dimiento es importante, ya que Goto, Mascie-Taylor (15) consideran que el control de calidad de la partici- pación de reducción de errores de medición es un re- quisito previo al aumento de la precisión y la mejor in- terpretación de los resultados.

Uno de los estudios económicos realizados en Argentina es el de Pagani, A. et al. (2008), en el que se busca determinar la dosis óptima económica (DOE) de fertilizante nitrogenado para el cultivo de maíz bajo siembra directa en el Sudeste bonaerense, considerando dos momentos diferentes de fertilización. Además, en el trabajo comparan el efecto de la relación de precios Nitrógeno-grano de maíz y la potencialidad del año sobre la definición de la DOE. Otro trabajo mucho más reciente, en una línea similar, es el de Puntel, L.A. et al. (2019), que busca entender qué factores dinámicos y estáticos o relaciones sinérgicas son los que más contribuyen al espacio (entre las posiciones del paisaje) y la variabilidad temporal (entre años) en la dosis óptima económica de nitrógeno (DOEN); se realiza un estudio para comparar la importancia relativa de los diferentes factores estáticos y dinámicos en la DOEN y el rendimiento de maíz, analizando un conjunto de datos de 51 ensayos de respuesta a nitrógeno en el centro-oeste de la provincia de Buenos Aires, Argentina, para finalmente sintetizar el conocimiento adquirido y desarrollar una metodología de predicción para ayudar a la gestión sitio-específica del nitrógeno en la producción de maíz.

Resco de Dios et al. (2015) desarrollaron un modelo semi-mecanicista que pre- dice la humedad de los combustibles finos muertos (FM; <25.4 mm) basado en el déficit de presión de vapor (D) atmosférico, que proporciona resultados precisos en un amplio rango de lugares y ecosistemas. FM responde a D por efecto de la difu- sión del vapor de agua (Nelson, 2001) y está estrechamente vinculada con la pro- babilidad de ignición y propagación inicial de un fuego (Rothermel, 1983). De hecho, se ha cuantificado una relación entre FM y el área quemada en diferentes ecosistemas (Nolan et al., 2016a), incluidos los de la Península Ibérica (Boer et al., 2017), que ha permitido determinar los niveles críticos de humedad a partir de los cuales ocurren grandes incendios forestales.

barras grises verticales representan el intervalo de confianza del 95% de los umbrales críticos de humedad del combustible. Extraído de Boer et al. (2017). ............................................... 23 Figura 5. Diagrama resumen del proceso metodológico. […] indica que se repiten los pasos que engloba el recuadro numerado con la línea discontinua. (*) cada método de interpolación combina sus propios mapas de temperatura máxima ( T máx) y temperatura en el punto de rocío ( T pr). ..................................................................................................................................... 25 Figura 6. Ejemplos de histogramas de densidad y diagramas de caja representativos de las variables temperatura máxima ( T máx; izquierda) y temperatura en el punto de rocío ( T pr; derecha). Histograma: la línea continua indica la función de distribución de la variable; la línea discontinua hace referencia a una distribución normal con media y desviación estándar igual a las de la distribución observada. ........................................................................................... 28 Figura 7. Contraste de Aleatoriedad Espacial Completa (CRS) y la distribución de puntos observada (A, función G ; B, función F ) para un número promedio de puntos de muestreo válidos, con los límites del intervalo de confianza del 96% sobre 100 simulaciones de CRS. obs , distribución observada; teo , distribución teórica; int , intervalo de confianza. ........................ 29 Figura 8. A. Histograma comparativo de la altitud de los puntos de muestreo (estaciones meteorológicas) y las elevaciones del área de estudio extraídas del modelo digital del terreno. B. Correspondencia entre las elevaciones de las estaciones AEMET y las elevaciones obtenidas del MDE en las mismas localizaciones. La línea discontinua roja indica la relación 1:1; la línea continua negra es la recta de la regresión. ............................................................................. 30 Figura 9. Parámetros de los variogramas teóricos obtenidos para la temperatura máxima ( T máx) y para la temperatura en el punto de rocío ( T pr) en el periodo de estudio. La línea discontinua roja indica la media aritmética; la línea discontinua gris representa la mediana aritmética. .. 32 Figura 10. Ejemplos de variogramas teóricos de la temperatura máxima ( T máx; A) y la temperatura en el punto de rocío ( T pr; B, C y D). γh, semivarianza; h, distancia. ................ 33 Figura 11. Ejemplo de localización de valores espaciales discordantes de temperatura máxima ( T máx) y los variogramas teóricos correspondientes ajustados con y sin estos valores. MAE, error absoluto medio obtenido de una validación cruzada con el método de kriging ordinario .

Los incendios forestales en todo el mundo resultan en mortalidad de los árboles que pueden causar pérdidas de madera y carbono sustanciales. Hay una necesidad crítica para mapear las áreas quemadas por estos incendios para orientar las decisiones de manejo forestal. El satélite Moderate Resolution Imaging Spectroradiometer (MODIS) proporciona imágenes de bajo costo y con una cobertura de frecuencia en grandes áreas, facilitando la vigilancia de la salud de los bosques. En este estudio una imagen post- incendio MODIS a una resolución espacial de 250 m sirve como el punto de partida de un método basado en la minería de la imagen Se trata de modelar tres algoritmos como una suma de funciones gaussianas, un suavizado basado en kernel, y umbral adaptativo. El umbral adaptativo sirve como la referencia para ser comparada con el método basado en la minería de la imagen. Tres índices espectrales diseñadas específicamente para la identificación de área quemada se han utilizado: el índice de área quemada (BAI), el índice de área quemada adaptado a las bandas de MODIS (BAIM), y la relación de la quemadura Normalizado (NBR). La estadística j es aplicada para cuantificar la exactitud de las estimaciones de áreas quemadas, relacionando la superficie estimada con perímetros de áreas quemadas medidos en el suelo por el Sistema de Posicionamiento Global (GPS). Además, la estadística j nos permite identificar tanto el índice espectral óptimo y los parámetros de los algoritmos óptimos. En este trabajo, se consigue una estimación precisa (j> 0,8) de las áreas quemadas por los incendios forestales en los países mediterráneos, en particular, si se utiliza el índice de BAIM. La precisión de estas estimaciones se compara con la precisión obtenida mediante el método de referencia a través de la prueba de McNemar. Los resultados muestran que nuestro método basado en la minería de la imagen permite una mayor precisión (el aumento promedio de j es igual a 16%) que el método de referencia. Llegamos a la conclusión de que este método mapea de manera adecuada las de zonas quemadas, y que puede ayudar a las agencias de gestión para comprender mejor los patrones de quemaduras a escala de paisaje.(Quintano, Fernández-Manso, Stein, & Bijker, 2011)

La acumulación de nitratos residuales, puede ser regulada a través de la realización de barbechos verdes (enmalezados o con cultivos de cobertura) o bien, sembrando un cultivo de cosecha de invierno (como trigo). De esta forma, los nitratos residuales pueden ser absorbidos por el cultivo existente. Si es un cultivo con valor económico, puden incrementar su rendimiento y generar mayores ingresos al productor. Si se tratase de un cultivo de cobertura o malezas, el N residual no se lixivia, permanece dentro del sistema como residuo orgánico y con el tiempo se va transformando en nitratos. En cierta forma, esta estrategia constituye una alternativa para aumentar la residualidad del fertilizante nitrogenado, convirtiendo los nitratos, muy móviles en suelo, en N orgánico que se aprovechará en el futuro. Las estrategias para disminuir las pérdidas de nitratos por lixiviación durante el cultivo de maíz y pos-cosecha del mismo, se pueden observar en el siguiente esquema:

En este punto, Díaz Barriga (2005b:86) plantea que debe haber un acercamiento entre la investigación y los docentes, es decir, entre los avances del conocimiento y la docencia que se brinda a los estudiantes. A la hora de evaluar según, Díaz Barriga (2005b:139), es necesario que el estudiante pueda saber la manera de cómo acceder, usar y elaborar la información, más que retenerla en forma memorística. De esta manera el conocimiento va progresando a partir de profesionales que tengan el criterio de diferenciar por calidad la información que será de suma utilidad para el desarrollo de su tarea.

Aunque las aplicaciones de los IV, como los indicados, en el estudio de la vegetación, de sus características y de su estado son ampliamente conocidas, tal como señalan Wardlow y Egbert (2010) no existen tantos estudios o publicaciones dedicados a la determinación y evaluación de los resultados que entregan los diferentes índices. Las investigaciones de este tipo realizan comparaciones entre dos o más IV obtenidos desde imágenes proporcionadas por un mismo sensor y también por sensores diferentes; toman distintas áreas de estudio y comparan el comportamiento de los IV entre diversas cubiertas. Conforme con esto, el trabajo que se presenta pretende introducir esta área de investigación al comparar los cinco IV expuestos (NDVI, SAVI, ARVI, GreenNDVI y EVI) calculados a partir de imágenes MODIS en la Región del Libertador General Bernardo O´Higgins, Chile. Se espera determinar las características de sus comportamientos según cubiertas vegetales distintas y época del año. Se consideran zonas agrícolas, praderas y forestal, y dos periodos contrastados a lo largo del año, verano e invierno de los años 2001, 2003 y 2005. Interesa, en todo caso, conocer el grado de diferencia y de similitud entre los valores de vigor vegetal que entregan los distintos índices.

RESUMEN Se realizó un seguimiento de la madu- ración de kiwis ( Actinidia celiciosa (A. Chev.) Liang et Ferguson cv. Hayward) en una plan- tación comercial del sudeste de la provincia de Buenos Aires (Argentina), con la finalidad de definir índices de madurez y calidad y compa- rarlos con los estándares vigentes en Nueva Zelanda y Chile. A intervalo semanal, desde las 13 semanas después de plena floración, se tomaron muestras de frutos para evaluar las siguientes variables: peso fresco, volumen, por- centaje de semillas negras, contenido de mate- ria seca, acidez titulable y pH. De acuerdo con los mismos, el valor mínimo de sólidos solubles y el porcentaje de semillas negras exigido se alcanzaron durante la semana 21 después de plena floración y la firmeza de pulpa presentaba aún valores superiores al umbral recomendado. El momento óptimo de cosecha correspondió a plena temporada. Los resultados sugieren que la acidez titulable podría constituir otro índice de madurez. El porcentaje de materia seca no sería útil en fruta de plena temporada dado que los incrementos significativos se registran tempranamente. Sin embargo, puede ser útil como índice de calidad. Se plantea la posibili- dad de utilizar la relación MS/AT como índice de calidad y de cosecha.

En otras palabras,muchaenergíaes asignade las cápsulas,sida al desarrollo guiéndoseun avanceráp¡doen el terminalque llevaa la crecimiento plantaa su capacidadf¡siológicay a la aperturade[r]

parámetros biofísicos de la vegetación, los resultados obtenidos han sido limitados (Jacquemoud et al., 1995 y 2000; Weiss et al., 2000); independientemente del tiempo y costos de computación requeridos, lo cual hace esta estrategia poco práctica para aplicaciones en tiempo “casi real” (1-5 días). El problema fundamental de la inversión de modelos radiativos biofísicos es que son tareas matemáticamente indeterminadas; esto es, generalmente usando un par de datos (rojo o R e infrarrojo cercano o IRC), es necesario estimar la distribución espacial y angular de los fitoelementos (hojas principalmente) del follaje y sus propiedades ópticas. Para caracterizar esta información generalmente es necesario al menos ocho datos: reflectancia y transmitancia de las hojas; reflectancia del suelo; media y varianza de la distribución angular de las hojas y factor de agrupamiento espacial de éstas; esto sin considerar información de la fuente de iluminación (radiación difusa y directa) y la geometría sensor – iluminación. Es matemáticamente claro que obtener información de más de once variables con dos datos, es algo que implica soluciones múltiples del problema, donde cualquiera de ellas puede ser la correcta. Aún en el caso de contar con información multi o hiper-espectral (más de once bandas), el problema de indeterminación permanece por la alta correlación entre las bandas espectrales (Price, 1990 y 1992a).

En este trabajo se utilizaran para el calculo de los índices datos pronostica­ dos por el Global Forecast System (GFS) [3], que es un sistema de prediccion numerica del tiempo y que es corrido diariamente por el US National Weather Service (NWS) para generar pronosticos a corto plazo. Estos datos estan dis­ ponibles cuatro veces al día con cobertura global en formato de grilla con una resolución espacial de 0.25 grados [11].