Estimación de la calidad y cantidad de pasto kikuyo (Cenchrus clandestinum (Hochst. ex Chiov.) Morrone) usando imágenes multiespectrales
Titulo:

Estimación de la calidad y cantidad de pasto kikuyo (Cenchrus clandestinum (Hochst. ex Chiov.) Morrone) usando imágenes multiespectrales
.

Sumario:

La evaluación de las praderas destinadas a ganadería es esencial para la productividad de los animales. Los datos de sensores multiespectrales remotos aerotransportados (SM) permiten construir índices de vegetación (VI, por sus siglas en idioma inglés) y relacionarlos con características fisiológicas y biofísicas de las pasturas. El objetivo fue evaluar VI para la estimación de la cantidad y calidad de pasto kikuyo en sistemas lecheros, del norte de Antioquia, Colombia. Se calcularon 10 diferentes VI, con 168 muestras de pasto kikuyo. Las muestras fueron pesadas, para estimar la biomasa verde (BV) y analizadas por espectroscopia del infrarrojo cercano, para los contenidos de proteína bruta (PB), fibra en detergente neutro (FDN) y fibra en d... Ver más

Guardado en:

Revista U.D.C.A Actualidad & Divulgación Científica

0123-4226

2619-2551

Posada-Asprilla, William

Medina-Sierra, Marisol

Cerón-Muñoz, Mario

UNIVERSIDAD DE CIENCIAS APLICADAS Y AMBIENTALES

10.31910/rudca.v22.n1.2019.1195

22

2019-06-30

Colombia

agricultura de precisión

calidad nutricional

ganadería de leche

índices de vegetación

proteína bruta

sensores remotos

William Posada-Asprilla, Marisol Medina-Sierra, Mario Cerón-Muñoz - 2019

info:eu-repo/semantics/openAccess

http://purl.org/coar/access_right/c_abf2

id metarevistapublica_udca_revistau.d.c.aactualidad_divulgacioncientifica_94_article_1195
record_format ojs
spelling Estimación de la calidad y cantidad de pasto kikuyo (Cenchrus clandestinum (Hochst. ex Chiov.) Morrone) usando imágenes multiespectrales
Estimation of the quality and quantity of Kikuyo grass (Cenchrus clandestinum (Hochst. Ex Chiov.) Morrone) using multispectral images
La evaluación de las praderas destinadas a ganadería es esencial para la productividad de los animales. Los datos de sensores multiespectrales remotos aerotransportados (SM) permiten construir índices de vegetación (VI, por sus siglas en idioma inglés) y relacionarlos con características fisiológicas y biofísicas de las pasturas. El objetivo fue evaluar VI para la estimación de la cantidad y calidad de pasto kikuyo en sistemas lecheros, del norte de Antioquia, Colombia. Se calcularon 10 diferentes VI, con 168 muestras de pasto kikuyo. Las muestras fueron pesadas, para estimar la biomasa verde (BV) y analizadas por espectroscopia del infrarrojo cercano, para los contenidos de proteína bruta (PB), fibra en detergente neutro (FDN) y fibra en detergente ácido (FDA). Los datos, se analizaron usando componentes principales (CP) y modelos aditivos generalizados suavizados. Las variables que más contribuyeron a la formación de la primera componente principal (CP1) fueron el índice de vegetación de diferencia normalizada (NDVI), el índice de vegetación simple (RVI), el índice de vegetación de diferencia normalizada verde (GNDVI), el índice clorofílico verde (Clg) y la BV del pasto kikuyo. Para la segunda componente principal (CP2) fueron el índice de vegetación de diferencia normalizada borde del rojo (RNDVI), el índice borde del rojo de clorofila (Clrg) y PB, FDN y FDA del pasto kikuyo. La BV fue explicada por el NDVI y PB por el RNDVI. La estimación obtenida para FDN y FDA del pasto kikuyo no fueron precisas.
The evaluation of grazing lands is essential to improve livestock productivity. Data from multispectral airborne sensors allow calculating vegetation indexes (VI) and relating them to physiological and biophysical characteristics of the pastures. The objective of this study was to evaluate the usefulness of VI to estimate the quantity and quality of Kikuyu grass in dairy farms of northern Antioquia, Colombia. We calculated 10 different VI using 168 samples of Kikuyu grass. The samples were weighted to estimate green biomass (BV) and analyzed by near infrared spectroscopy for the contents of crude protein (PB), neutral detergent fiber (FDN) and acid detergent fiber (ADF). Data were analyzed using principal components (CP) and smoothed generalized additive models. The variables that contributed most to the formation of the first principal component (CP1) were the Normalized Difference Vegetation Index (NDVI), the Simple Vegetation Index (RVI), the Normalized Difference Vegetation Green Index (GNDVI), the Green Chlorophyll Index (Clg) and the BV of Kikuyu grass. The mayor contributors to the second principal component (CP2) were the Normalized Red-Edge Vegetation Index (RNDVI), the Red-Edge Chlorophyll Index (Clrg), and the PB, NDF and FDA of Kikuyu. The NDVI explained the BV, and the RNDVI explained the PB. The FDN and FDA estimations in Kikuyu were not precise.
Posada-Asprilla, William
Medina-Sierra, Marisol
Cerón-Muñoz, Mario
agricultura de precisión
calidad nutricional
ganadería de leche
índices de vegetación
proteína bruta
sensores remotos
precision agriculture
nutritional quality
dairy cattle
vegetation indexes
crude protein
remote sensing
22
1
Núm. 1 , Año 2019 :Revista U.D.C.A Actualidad & Divulgación Científica. Enero-Junio
Artículo de revista
Journal article
2019-06-30T00:00:00Z
2019-06-30T00:00:00Z
2019-06-30
application/xml
application/pdf
Universidad de Ciencias Aplicadas y Ambientales U.D.C.A
Revista U.D.C.A Actualidad & Divulgación Científica
0123-4226
2619-2551
https://revistas.udca.edu.co/index.php/ruadc/article/view/1195
10.31910/rudca.v22.n1.2019.1195
https://doi.org/10.31910/rudca.v22.n1.2019.1195
spa
https://creativecommons.org/licenses/by-nc-sa/4.0/
William Posada-Asprilla, Marisol Medina-Sierra, Mario Cerón-Muñoz - 2019
ASSOCIATION OF OFFICIAL ANALYTICAL CHEMISTS-AOAC. 1990. Official Methods of Analysis of the AOAC. 15th Edition. Arlington, Virginia, USA. 1008p.
BARRACHINA, J.; CRISTOBAL, R.; TULLA, P.; ANTONI, F. 2010. Los Recursos Ganaderos en los Sistemas Extensivos de la Montaña Pirenaica Catalana: aproximación al cálculo de la producción de biomasa herbácea mediante el uso de la teledetección. Ser. Geogr. 16:35-49.
BASTIDAS, A.; BARAHONA, R.; CERÓN, M. 2016. Variation in the normalized difference vegetation index (NDVI) in dairy farms in Northern Antioquia. Livestock Research for Rural Development. 28(3).
BERRÍO, V.; MOSQUERA, J.; ALZATE, D. 2015. Uso de drones para el análisis de imágenes multiespectrales en agricultura de precisión. @Limentech, ciencia y tecnología alimentary. 13(1):28-40.
BIVAND, R.; ROWLINGSON, B. 2016. rgdal: Bindings for the Geospatial Data Abstraction Library. R package version 1.2-5
CÁCERES, J.D. 2016. Análisis del Comportamiento Temporal de la Biomasa en Pastos del Departamento de Olancho en el Contexto del Cambio Global – fase II. Ciencias Espaciales. 7(1):97-114. https://doi.org/10.5377/ce.v7i1.2528
CASTRO, P.A.; GARBULSKY, M.F. 2018. Spectral normalized indices related with forage quality in temperate grasses: scaling up from leaves to canopies. Int. J Remote Sens. 39(10):3138-3163. https://doi.org/10.1080/01431161.2018.1430394
CORRALES, A.; ENRIQUE, R.; LÓPEZ, O.; VILMA, L. 2016. Firmas Espectrales de la Cobertura de la Tierra, Aplicando Radiometría de Campo. Fase 1: Región 03 occidente de Honduras. Ciencias Espaciales. 7:76-96. https://doi.org/10.5377/ce.v7i1.2527
CORREA, C.H.; PABÓN, R.M.; CARULLA, F.J. 2008. Valor nutricional del pasto Kikuyo (Pennisetum clandestinum Hoechst Ex Chiov.) para la producción de leche en Colombia (una revisión): I - Composición química y digestibilidad ruminal y posruminal. Livestock Research for Rural Development. 20(4):59.
EDIRISINGHE, A.; CLARK, D.; WAUGH, D. 2012. Spatio-temporal modelling of biomass of intensively grazed perennial dairy pastures using multispectral remote sensing. Int. J. Appl. Earth Obs .Geoinf. 16:5-16. https://doi.org/10.1016/j.jag.2011.11.006
ESCRIBANO, J.; HERNÁNDEZ DÍAZ-AMBRONA, C.G. 2013. Estimación de la Producción de Pastos en Dehesas por Índices de Vegetación. Los Pastos: Nuevos Retos, Nuevas Oportunidades. Sociedad Española para el Estudio de los Pastos. p.465-472.
ESCRIBANO, R.; DÍAZ-AMBRONA, H.; TARQUIS, A. 2014. Selección de índices de vegetación para la estimación de la producción herbácea en dehesas. Rev. Pastos. 44(2):6-18.
GITELSON, A.A.; MERZLYAK, M.N. 1996. Signature analysis of leaf reflectance spectra: algorithm development for remote sensing of chlorophyll. J. Plant Physiol. 148:494-500. https://doi.org/10.1016/S0176-1617(96)80284-7
GITELSON, A.; GRITZ, Y.; MERZLYAK, M.N. 2003. Relationships between leaf chlorophyll content and spectral reflectance and algorithms for non-destructive chlorophyll assessment in higher plant leaves. J. Plant Physiol. 160:271-282. https://doi.org/10.1078/0176-1617-00887
HIJMANS, R.J. 2016. raster: Geographic Data Analysis and Modeling. R package versión 2.5-8
HUETE, A.R. 1988. A Soil-Adjusted Vegetation Index (SAVI). Department of soil and water science. University of Arizona, Tucson, Arizona 85721. Remote Sens. Environ. 25:295-309. https://doi.org/10.1016/0034-4257(88)90106-X
HUETE, A.R.; LIU, H.Q.; BATCHILY, K.; LEEUWEN, W. 1997. A Comparison of vegetation indices over a global set of TM images for EOS-MODIS. Remote Sens. Environ. 59:440-451. https://doi.org/10.1016/S0034-4257(96)00112-5
JACQUEMOUD, S.; BARET, F. 1990. PROSPECT: A model of leaf optical properties spectra. Remote Sens. Environ. 34:75-91. https://doi.org/10.1016/0034-4257(90)90100-Z
KAWAMURA, K.; WATANABE, N.; SAKANOUE, S.; INOUE, Y. 2008. Estimating forage biomass and quality in a mixed sown pasture based on partial least squares regression with waveband selection. Grassland Science. 54:131-145. https://doi.org/10.1111/j.1744-697X.2008.00116.x
KHARUF-GUTIERREZ, S.; SANTANA, L.H.; MORALES, R.O.; DÍAZ, O.A.; MORA, I.D. 2018. Análisis de imágenes multiespectrales adquiridas con vehículos aéreos no tripulados en agricultura de precisión. RIELAC. 39(2):79-91.
LEÓN, J.; MOJICA, J.E.; CASTRO, E.; CÁRDENAS, E.; PABÓN, M.L; CARULLA, J.E. 2007. Balance de nitrógeno y fósforo de vacas lecheras en pastoreo con diferentes ofertas de Kikuyo (Pennisetum clandestinum) y suplementadas con ensilaje de Avena (Avena sativa). Rev. Col. Ciencias Pecuarias. 20(4):559-570. 22. MARAIS, J. 2001. Factors affecting the nutritive value of kikuyu grass (Pennisetum clandestinum)-A review. Tropical Grasslands. 35:65-84.
MEER VAN DER, F.; JONG, S. 2001. Imaging spectrometry: basic principles and prospective applications. Dordrecht etc.: Kluwer Academic, 2001. (Remote sensing and digital image processing). Dordrecht Kluwer Academic. Vol. 4. 403p.
MULLA, D.J. 2013. Twenty-five years of remote sensing in precision agriculture: Key advances and remaining knowledge gaps. Biosyst Eng. 114(4):358-371. http://dx.doi.org/10.1016/j.biosystemseng.2012.08.009
NORRIS, K.H.; BARNES, R.F.; MOORE, J.E.; SHENK, J.S. 1976. Predicting forage quality by infrared replectance spectroscopy. J. Anim. Sci. 43(4):889-897. https://doi.org/10.2527/jas1976.434889x
PEARSON, R.L.; MILLER, L.D. 1972. Remote Mapping of Standing Crop Biomass for Estimation of the Productivity of the Shortgrass Prairie, in Proceedings of the Eighth International Symposium on Remote Sensing of Environment, Environmental Research Institute of Michigan, Ann Arbor, MI. p.1357-1381.
PEÑUELAS, J.; BARET, F.; FILELLA, I. 1995. Semi-empirical indices to assess carotenoids/chlorophyll a ratio from leaf spectral reflectance. Photosynthetica. 31:221-230
PEÑUELAS, J.; FILELLA, I.; BIEL, C.; SERRANO, L.; SAVÉ, R. 1993. The reflectance at the 950–970 region as an indicator of plant water status. Int. J. Remote Sens. 14(10):1887-1905. https://doi.org/10.1080/01431169308954010
PULLANAGARI, R.; YULE, I.; HEDLEY, M.; TUOHY, M.; DYNES, R.; KING, W. 2012. Multispectral radiometry to estimate pasture quality components. Precision Agriculture. 13(4):442-456.
PULLANAGARI, R.R.; KERESZTURI, G.; YULE, I. 2018. Integrating airborne hyperspectral, topographic, and soil data for estimating pasture quality using recursive feature elimination with random forest regression. J. Remote Sens. 10(7):1117. https://doi.org/10.3390/rs10071117
R CORE TEAM. 2017. R: A Language and Environment for Statistical Computing. R Foundation for Statistical Computing. Vienna, Austria
RICHARDSON, A.D.; DUIGAN, S.P.; BERLYN, G.P. 2002. An evaluation of noninvasive methods to estimate foliar chlorophyll content. New Phyto. 153:185-194. https://doi.org/10.1046/j.0028-646X.2001.00289.x
ROUJEAN, J.; BREON, F. 1995. Estimating PAR absorbed by vegetation from bidirectional reflectance measurements. Remote Sens. Environ. 51(3):375-384. https://doi.org/10.1016/0034-4257(94)00114-3
ROUSE, J.W.; HAAS, R.H.; SCHELL, J.A.; DEERING, D.W. 1974. Monitoring Vegetation Systems in the Great Plains with ERTS, Third ERTS Symposium (Washington, DC: NASA), p.309-317
ROUSE, J.W.; HAAS, R.H.; SCHELL, J.A.; DEERING, D.W.; HARLAN, J.C. 1974. Monitoring the Vernal Advancements and Retrogradation (Greenwave Effect) of Nature Vegetation. NASA/GSFC Final Report. NASA, Greenbelt, MD, USA, p.1-137.
SHANAHAN, J.F.; SCHEPERS, J.S.; FRANCIS, D.D.; VARVEL, G.E.; WILHELM, W.W.; TRINGE, J.M.; MAJOR, D.J. 2001. Use of remote-sensing imagery to estimate corn grain yield. Agron J. 93(3):583-589. https://doi.org/10.2134/agronj2001.933583x
SEBASTIEN, L.; JULIE, J.; HUSSON, F. 2008. FactoMineR: An R Package for Multivariate Analysis. J. Stat. Softw. 25(1):1-18. https://doi.org/10.18637/jss.v025.i01
SERRANO, J.; SHAHIDIAN, S.; DA SILVA, J.M.; SALES-BAPTISTA, E.; DE OLIVEIRA, I.F.; DE CASTRO, J.L.; PEREIRA, A.; DE ABREU, M.C.; MACHADO, E.; DE CARVALHO, M. 2018. Tree influence on soil and pasture: contribution of proximal sensing to pasture productivity and quality estimation in montado ecosystems. Journal of Remote Sens. 39(14):4801-482. https://doi.org/10.1080/01431161.2017.1404166
TOZER, P.R.; BARGO, F.; MULLER, L.D. 2004. The effect of pasture allowance and supplementation on feed efficiency and profitability of dairy systems. J. Anim. Sci. 87:2902-2911. https://doi.org/10.3168/jds.S0022-0302(04)73421-9
TUCKER, C.J. 1979. Red and photographic infrared linear combinations for monitoring vegetation. Remote Sens. Environ. 8(2):127-150. https://doi.org/10.1016/0034-4257(79)90013-0
VELASCO, L.S.; CHAMPO, J.O.; ESPAÑA, B.M.; BARET, F. 2010. Estimación del índice de área foliar en la reserva de la biósfera mariposa monarca. Rev. Fitotec. Mex. 33(2):169-174.
WOOD, S. 2018. "mgcv" Mixed GAM Computation with Automatic Smoothness Estimation. Version 1.8-24. Disponible desde Internet en: https://cran.r-project.org/web/packages/mgcv/mgcv.pdf (con acceso 23/06/2018)
XUE, J.; SU, B. 2017. Significant remote sensing vegetation indices: a review of developments and applications. J. of Sensors. 2017:1353691. https://doi.org/10.1155/2017/1353691
https://revistas.udca.edu.co/index.php/ruadc/article/download/1195/1709
https://revistas.udca.edu.co/index.php/ruadc/article/download/1195/1733
info:eu-repo/semantics/article
http://purl.org/coar/resource_type/c_6501
http://purl.org/coar/resource_type/c_1843
info:eu-repo/semantics/publishedVersion
http://purl.org/coar/version/c_970fb48d4fbd8a85
info:eu-repo/semantics/openAccess
http://purl.org/coar/access_right/c_abf2
Text
Publication
institution UNIVERSIDAD DE CIENCIAS APLICADAS Y AMBIENTALES
thumbnail https://nuevo.metarevistas.org/UNIVERSIDADDECIENCIASAPLICADASYAMBIENTALES/logo.png
country_str Colombia
collection Revista U.D.C.A Actualidad & Divulgación Científica
title Estimación de la calidad y cantidad de pasto kikuyo (Cenchrus clandestinum (Hochst. ex Chiov.) Morrone) usando imágenes multiespectrales
spellingShingle Estimación de la calidad y cantidad de pasto kikuyo (Cenchrus clandestinum (Hochst. ex Chiov.) Morrone) usando imágenes multiespectrales
Posada-Asprilla, William
Medina-Sierra, Marisol
Cerón-Muñoz, Mario
agricultura de precisión
calidad nutricional
ganadería de leche
índices de vegetación
proteína bruta
sensores remotos
precision agriculture
nutritional quality
dairy cattle
vegetation indexes
crude protein
remote sensing
title_short Estimación de la calidad y cantidad de pasto kikuyo (Cenchrus clandestinum (Hochst. ex Chiov.) Morrone) usando imágenes multiespectrales
title_full Estimación de la calidad y cantidad de pasto kikuyo (Cenchrus clandestinum (Hochst. ex Chiov.) Morrone) usando imágenes multiespectrales
title_fullStr Estimación de la calidad y cantidad de pasto kikuyo (Cenchrus clandestinum (Hochst. ex Chiov.) Morrone) usando imágenes multiespectrales
title_full_unstemmed Estimación de la calidad y cantidad de pasto kikuyo (Cenchrus clandestinum (Hochst. ex Chiov.) Morrone) usando imágenes multiespectrales
title_sort estimación de la calidad y cantidad de pasto kikuyo (cenchrus clandestinum (hochst. ex chiov.) morrone) usando imágenes multiespectrales
title_eng Estimation of the quality and quantity of Kikuyo grass (Cenchrus clandestinum (Hochst. Ex Chiov.) Morrone) using multispectral images
description La evaluación de las praderas destinadas a ganadería es esencial para la productividad de los animales. Los datos de sensores multiespectrales remotos aerotransportados (SM) permiten construir índices de vegetación (VI, por sus siglas en idioma inglés) y relacionarlos con características fisiológicas y biofísicas de las pasturas. El objetivo fue evaluar VI para la estimación de la cantidad y calidad de pasto kikuyo en sistemas lecheros, del norte de Antioquia, Colombia. Se calcularon 10 diferentes VI, con 168 muestras de pasto kikuyo. Las muestras fueron pesadas, para estimar la biomasa verde (BV) y analizadas por espectroscopia del infrarrojo cercano, para los contenidos de proteína bruta (PB), fibra en detergente neutro (FDN) y fibra en detergente ácido (FDA). Los datos, se analizaron usando componentes principales (CP) y modelos aditivos generalizados suavizados. Las variables que más contribuyeron a la formación de la primera componente principal (CP1) fueron el índice de vegetación de diferencia normalizada (NDVI), el índice de vegetación simple (RVI), el índice de vegetación de diferencia normalizada verde (GNDVI), el índice clorofílico verde (Clg) y la BV del pasto kikuyo. Para la segunda componente principal (CP2) fueron el índice de vegetación de diferencia normalizada borde del rojo (RNDVI), el índice borde del rojo de clorofila (Clrg) y PB, FDN y FDA del pasto kikuyo. La BV fue explicada por el NDVI y PB por el RNDVI. La estimación obtenida para FDN y FDA del pasto kikuyo no fueron precisas.
description_eng The evaluation of grazing lands is essential to improve livestock productivity. Data from multispectral airborne sensors allow calculating vegetation indexes (VI) and relating them to physiological and biophysical characteristics of the pastures. The objective of this study was to evaluate the usefulness of VI to estimate the quantity and quality of Kikuyu grass in dairy farms of northern Antioquia, Colombia. We calculated 10 different VI using 168 samples of Kikuyu grass. The samples were weighted to estimate green biomass (BV) and analyzed by near infrared spectroscopy for the contents of crude protein (PB), neutral detergent fiber (FDN) and acid detergent fiber (ADF). Data were analyzed using principal components (CP) and smoothed generalized additive models. The variables that contributed most to the formation of the first principal component (CP1) were the Normalized Difference Vegetation Index (NDVI), the Simple Vegetation Index (RVI), the Normalized Difference Vegetation Green Index (GNDVI), the Green Chlorophyll Index (Clg) and the BV of Kikuyu grass. The mayor contributors to the second principal component (CP2) were the Normalized Red-Edge Vegetation Index (RNDVI), the Red-Edge Chlorophyll Index (Clrg), and the PB, NDF and FDA of Kikuyu. The NDVI explained the BV, and the RNDVI explained the PB. The FDN and FDA estimations in Kikuyu were not precise.
author Posada-Asprilla, William
Medina-Sierra, Marisol
Cerón-Muñoz, Mario
author_facet Posada-Asprilla, William
Medina-Sierra, Marisol
Cerón-Muñoz, Mario
topicspa_str_mv agricultura de precisión
calidad nutricional
ganadería de leche
índices de vegetación
proteína bruta
sensores remotos
topic agricultura de precisión
calidad nutricional
ganadería de leche
índices de vegetación
proteína bruta
sensores remotos
precision agriculture
nutritional quality
dairy cattle
vegetation indexes
crude protein
remote sensing
topic_facet agricultura de precisión
calidad nutricional
ganadería de leche
índices de vegetación
proteína bruta
sensores remotos
precision agriculture
nutritional quality
dairy cattle
vegetation indexes
crude protein
remote sensing
citationvolume 22
citationissue 1
citationedition Núm. 1 , Año 2019 :Revista U.D.C.A Actualidad & Divulgación Científica. Enero-Junio
publisher Universidad de Ciencias Aplicadas y Ambientales U.D.C.A
ispartofjournal Revista U.D.C.A Actualidad & Divulgación Científica
source https://revistas.udca.edu.co/index.php/ruadc/article/view/1195
language spa
format Article
rights https://creativecommons.org/licenses/by-nc-sa/4.0/
William Posada-Asprilla, Marisol Medina-Sierra, Mario Cerón-Muñoz - 2019
info:eu-repo/semantics/openAccess
http://purl.org/coar/access_right/c_abf2
references ASSOCIATION OF OFFICIAL ANALYTICAL CHEMISTS-AOAC. 1990. Official Methods of Analysis of the AOAC. 15th Edition. Arlington, Virginia, USA. 1008p.
BARRACHINA, J.; CRISTOBAL, R.; TULLA, P.; ANTONI, F. 2010. Los Recursos Ganaderos en los Sistemas Extensivos de la Montaña Pirenaica Catalana: aproximación al cálculo de la producción de biomasa herbácea mediante el uso de la teledetección. Ser. Geogr. 16:35-49.
BASTIDAS, A.; BARAHONA, R.; CERÓN, M. 2016. Variation in the normalized difference vegetation index (NDVI) in dairy farms in Northern Antioquia. Livestock Research for Rural Development. 28(3).
BERRÍO, V.; MOSQUERA, J.; ALZATE, D. 2015. Uso de drones para el análisis de imágenes multiespectrales en agricultura de precisión. @Limentech, ciencia y tecnología alimentary. 13(1):28-40.
BIVAND, R.; ROWLINGSON, B. 2016. rgdal: Bindings for the Geospatial Data Abstraction Library. R package version 1.2-5
CÁCERES, J.D. 2016. Análisis del Comportamiento Temporal de la Biomasa en Pastos del Departamento de Olancho en el Contexto del Cambio Global – fase II. Ciencias Espaciales. 7(1):97-114. https://doi.org/10.5377/ce.v7i1.2528
CASTRO, P.A.; GARBULSKY, M.F. 2018. Spectral normalized indices related with forage quality in temperate grasses: scaling up from leaves to canopies. Int. J Remote Sens. 39(10):3138-3163. https://doi.org/10.1080/01431161.2018.1430394
CORRALES, A.; ENRIQUE, R.; LÓPEZ, O.; VILMA, L. 2016. Firmas Espectrales de la Cobertura de la Tierra, Aplicando Radiometría de Campo. Fase 1: Región 03 occidente de Honduras. Ciencias Espaciales. 7:76-96. https://doi.org/10.5377/ce.v7i1.2527
CORREA, C.H.; PABÓN, R.M.; CARULLA, F.J. 2008. Valor nutricional del pasto Kikuyo (Pennisetum clandestinum Hoechst Ex Chiov.) para la producción de leche en Colombia (una revisión): I - Composición química y digestibilidad ruminal y posruminal. Livestock Research for Rural Development. 20(4):59.
EDIRISINGHE, A.; CLARK, D.; WAUGH, D. 2012. Spatio-temporal modelling of biomass of intensively grazed perennial dairy pastures using multispectral remote sensing. Int. J. Appl. Earth Obs .Geoinf. 16:5-16. https://doi.org/10.1016/j.jag.2011.11.006
ESCRIBANO, J.; HERNÁNDEZ DÍAZ-AMBRONA, C.G. 2013. Estimación de la Producción de Pastos en Dehesas por Índices de Vegetación. Los Pastos: Nuevos Retos, Nuevas Oportunidades. Sociedad Española para el Estudio de los Pastos. p.465-472.
ESCRIBANO, R.; DÍAZ-AMBRONA, H.; TARQUIS, A. 2014. Selección de índices de vegetación para la estimación de la producción herbácea en dehesas. Rev. Pastos. 44(2):6-18.
GITELSON, A.A.; MERZLYAK, M.N. 1996. Signature analysis of leaf reflectance spectra: algorithm development for remote sensing of chlorophyll. J. Plant Physiol. 148:494-500. https://doi.org/10.1016/S0176-1617(96)80284-7
GITELSON, A.; GRITZ, Y.; MERZLYAK, M.N. 2003. Relationships between leaf chlorophyll content and spectral reflectance and algorithms for non-destructive chlorophyll assessment in higher plant leaves. J. Plant Physiol. 160:271-282. https://doi.org/10.1078/0176-1617-00887
HIJMANS, R.J. 2016. raster: Geographic Data Analysis and Modeling. R package versión 2.5-8
HUETE, A.R. 1988. A Soil-Adjusted Vegetation Index (SAVI). Department of soil and water science. University of Arizona, Tucson, Arizona 85721. Remote Sens. Environ. 25:295-309. https://doi.org/10.1016/0034-4257(88)90106-X
HUETE, A.R.; LIU, H.Q.; BATCHILY, K.; LEEUWEN, W. 1997. A Comparison of vegetation indices over a global set of TM images for EOS-MODIS. Remote Sens. Environ. 59:440-451. https://doi.org/10.1016/S0034-4257(96)00112-5
JACQUEMOUD, S.; BARET, F. 1990. PROSPECT: A model of leaf optical properties spectra. Remote Sens. Environ. 34:75-91. https://doi.org/10.1016/0034-4257(90)90100-Z
KAWAMURA, K.; WATANABE, N.; SAKANOUE, S.; INOUE, Y. 2008. Estimating forage biomass and quality in a mixed sown pasture based on partial least squares regression with waveband selection. Grassland Science. 54:131-145. https://doi.org/10.1111/j.1744-697X.2008.00116.x
KHARUF-GUTIERREZ, S.; SANTANA, L.H.; MORALES, R.O.; DÍAZ, O.A.; MORA, I.D. 2018. Análisis de imágenes multiespectrales adquiridas con vehículos aéreos no tripulados en agricultura de precisión. RIELAC. 39(2):79-91.
LEÓN, J.; MOJICA, J.E.; CASTRO, E.; CÁRDENAS, E.; PABÓN, M.L; CARULLA, J.E. 2007. Balance de nitrógeno y fósforo de vacas lecheras en pastoreo con diferentes ofertas de Kikuyo (Pennisetum clandestinum) y suplementadas con ensilaje de Avena (Avena sativa). Rev. Col. Ciencias Pecuarias. 20(4):559-570. 22. MARAIS, J. 2001. Factors affecting the nutritive value of kikuyu grass (Pennisetum clandestinum)-A review. Tropical Grasslands. 35:65-84.
MEER VAN DER, F.; JONG, S. 2001. Imaging spectrometry: basic principles and prospective applications. Dordrecht etc.: Kluwer Academic, 2001. (Remote sensing and digital image processing). Dordrecht Kluwer Academic. Vol. 4. 403p.
MULLA, D.J. 2013. Twenty-five years of remote sensing in precision agriculture: Key advances and remaining knowledge gaps. Biosyst Eng. 114(4):358-371. http://dx.doi.org/10.1016/j.biosystemseng.2012.08.009
NORRIS, K.H.; BARNES, R.F.; MOORE, J.E.; SHENK, J.S. 1976. Predicting forage quality by infrared replectance spectroscopy. J. Anim. Sci. 43(4):889-897. https://doi.org/10.2527/jas1976.434889x
PEARSON, R.L.; MILLER, L.D. 1972. Remote Mapping of Standing Crop Biomass for Estimation of the Productivity of the Shortgrass Prairie, in Proceedings of the Eighth International Symposium on Remote Sensing of Environment, Environmental Research Institute of Michigan, Ann Arbor, MI. p.1357-1381.
PEÑUELAS, J.; BARET, F.; FILELLA, I. 1995. Semi-empirical indices to assess carotenoids/chlorophyll a ratio from leaf spectral reflectance. Photosynthetica. 31:221-230
PEÑUELAS, J.; FILELLA, I.; BIEL, C.; SERRANO, L.; SAVÉ, R. 1993. The reflectance at the 950–970 region as an indicator of plant water status. Int. J. Remote Sens. 14(10):1887-1905. https://doi.org/10.1080/01431169308954010
PULLANAGARI, R.; YULE, I.; HEDLEY, M.; TUOHY, M.; DYNES, R.; KING, W. 2012. Multispectral radiometry to estimate pasture quality components. Precision Agriculture. 13(4):442-456.
PULLANAGARI, R.R.; KERESZTURI, G.; YULE, I. 2018. Integrating airborne hyperspectral, topographic, and soil data for estimating pasture quality using recursive feature elimination with random forest regression. J. Remote Sens. 10(7):1117. https://doi.org/10.3390/rs10071117
R CORE TEAM. 2017. R: A Language and Environment for Statistical Computing. R Foundation for Statistical Computing. Vienna, Austria
RICHARDSON, A.D.; DUIGAN, S.P.; BERLYN, G.P. 2002. An evaluation of noninvasive methods to estimate foliar chlorophyll content. New Phyto. 153:185-194. https://doi.org/10.1046/j.0028-646X.2001.00289.x
ROUJEAN, J.; BREON, F. 1995. Estimating PAR absorbed by vegetation from bidirectional reflectance measurements. Remote Sens. Environ. 51(3):375-384. https://doi.org/10.1016/0034-4257(94)00114-3
ROUSE, J.W.; HAAS, R.H.; SCHELL, J.A.; DEERING, D.W. 1974. Monitoring Vegetation Systems in the Great Plains with ERTS, Third ERTS Symposium (Washington, DC: NASA), p.309-317
ROUSE, J.W.; HAAS, R.H.; SCHELL, J.A.; DEERING, D.W.; HARLAN, J.C. 1974. Monitoring the Vernal Advancements and Retrogradation (Greenwave Effect) of Nature Vegetation. NASA/GSFC Final Report. NASA, Greenbelt, MD, USA, p.1-137.
SHANAHAN, J.F.; SCHEPERS, J.S.; FRANCIS, D.D.; VARVEL, G.E.; WILHELM, W.W.; TRINGE, J.M.; MAJOR, D.J. 2001. Use of remote-sensing imagery to estimate corn grain yield. Agron J. 93(3):583-589. https://doi.org/10.2134/agronj2001.933583x
SEBASTIEN, L.; JULIE, J.; HUSSON, F. 2008. FactoMineR: An R Package for Multivariate Analysis. J. Stat. Softw. 25(1):1-18. https://doi.org/10.18637/jss.v025.i01
SERRANO, J.; SHAHIDIAN, S.; DA SILVA, J.M.; SALES-BAPTISTA, E.; DE OLIVEIRA, I.F.; DE CASTRO, J.L.; PEREIRA, A.; DE ABREU, M.C.; MACHADO, E.; DE CARVALHO, M. 2018. Tree influence on soil and pasture: contribution of proximal sensing to pasture productivity and quality estimation in montado ecosystems. Journal of Remote Sens. 39(14):4801-482. https://doi.org/10.1080/01431161.2017.1404166
TOZER, P.R.; BARGO, F.; MULLER, L.D. 2004. The effect of pasture allowance and supplementation on feed efficiency and profitability of dairy systems. J. Anim. Sci. 87:2902-2911. https://doi.org/10.3168/jds.S0022-0302(04)73421-9
TUCKER, C.J. 1979. Red and photographic infrared linear combinations for monitoring vegetation. Remote Sens. Environ. 8(2):127-150. https://doi.org/10.1016/0034-4257(79)90013-0
VELASCO, L.S.; CHAMPO, J.O.; ESPAÑA, B.M.; BARET, F. 2010. Estimación del índice de área foliar en la reserva de la biósfera mariposa monarca. Rev. Fitotec. Mex. 33(2):169-174.
WOOD, S. 2018. "mgcv" Mixed GAM Computation with Automatic Smoothness Estimation. Version 1.8-24. Disponible desde Internet en: https://cran.r-project.org/web/packages/mgcv/mgcv.pdf (con acceso 23/06/2018)
XUE, J.; SU, B. 2017. Significant remote sensing vegetation indices: a review of developments and applications. J. of Sensors. 2017:1353691. https://doi.org/10.1155/2017/1353691
type_driver info:eu-repo/semantics/article
type_coar http://purl.org/coar/resource_type/c_6501
type_version info:eu-repo/semantics/publishedVersion
type_coarversion http://purl.org/coar/version/c_970fb48d4fbd8a85
type_content Text
publishDate 2019-06-30
date_accessioned 2019-06-30T00:00:00Z
date_available 2019-06-30T00:00:00Z
url https://revistas.udca.edu.co/index.php/ruadc/article/view/1195
url_doi https://doi.org/10.31910/rudca.v22.n1.2019.1195
issn 0123-4226
eissn 2619-2551
doi 10.31910/rudca.v22.n1.2019.1195
url4_str_mv https://revistas.udca.edu.co/index.php/ruadc/article/download/1195/1709
url2_str_mv https://revistas.udca.edu.co/index.php/ruadc/article/download/1195/1733
_version_ 1811201168346447872

Código QR

Estadísticas y Métricas Alternativas

Títulos similares