Scientia Agropecuaria 15(1): 7-21 (2024) Ramos-Fernández et al. SCIENTIA AGROPECUARIA Facultad de Ciencias Scientia Agro pecuaria Agropecuarias Universidad Nacional de Web page: http://revistas.unitru.edu.pe/index.php/scientiaagrop Trujillo RESEARCH ARTICLE Estimation of evapotranspiration from UAV high-resolution images for irrigation systems in rice fields on the northern coast of Peru Estimación de la evapotranspiración a partir de imágenes de alta resolución de VANT para sistemas de riego en arrozales de la costa norte de Perú Lia Ramos-Fernández1 * ; David Quispe-Tito1 ; Lisette Altamirano-Gutiérrez1 ; Camila Cruz-Grimaldo2 ; Javier Alvaro Quille-Mamani3 ; Juan Pedro Carbonell-Rivera3 ; Jesús Torralba3 ; Luis Ángel Ruiz3 1 Departamento de Recursos Hídricos, Universidad Nacional Agraria La Molina, Lima 15024. Perú. 2 Dirección de Desarrollo Tecnológico Agrario, Instituto Nacional de Innovación Agraria. Lima. Perú. 3 Grupo de Cartografía GeoAmbiental y Teledetección (CGAT), Universitat Politècnica de València. España. * Corresponding author: liarf@lamolina.edu.pe (L. Ramos-Fernández). Received: 28 May 2023. Accepted: 12 January 2024. Published: 5 February 2024. Abstract In view of the growing scarcity of water for agriculture, the increase in food demand and future drought scenarios posed by climate change, it is essential to design new technologies that contribute to lower water consumption. In this research, high-resolution images have been used to estimate evapotranspiration in rice fields by applying the METRICTM (Mapping Evapotranspiration at High Resolution using Internalized Calibration) energy balance model. For this purpose, 5900 m2 of crop were monitored under continuous flood irrigation (CF) and 2600 m2 under alternate wetting and drying irrigation (AWD), in addition to some plots with lateral filtration. Ten flights were conducted between tillering and flowering phases, five flights with a Matrice 210 UAV equipped with a Parrot Sequoia multispectral camera, and five flights with a Matrice 300 RTK equipped with a H20T thermal camera. Field data were collected from vegetation indices (NDVI and LAI), and readings from a radiometer, to adjust information from multispectral and thermal images, respectively, and to obtain the components of the surface energy balance. Mean values for crop evapotranspiration (ETc) of 6.34 ± 1.49 and 5.84 ± 0.41 mm d-1 were obtained for IC irrigation and AWD irrigation, respectively, obtaining a water saving of 42% with a yield reduction of 14%, providing a guide for proper irrigation management, however, it is suggested to use the model to optimize yield by obtaining critical thresholds for optimal application of AWD in the face of water resource scarcity. Keywords: Oryza sativa; alternating wetting and drying; water stress; energy balance; unmanned aerial vehicle; remote sensing. Resumen Ante la creciente escasez del agua para la agricultura, el incremento de la demanda de alimentos y los futuros escenarios de sequía que nos plantea el cambio climático es indispensable diseñar nuevas tecnologías que contribuyan a un menor consumo de agua. En esta investigación se han empleado imágenes de alta resolución para estimar la evapotranspiración en arrozales aplicando el modelo de balance de energía METRICTM (Mapping Evapotranspiration at High Resolution using Internalized Calibration). Para ello, se monitorizaron 5900 m2 de cultivo bajo riego por inundación continua (IC) y 2600 m2 bajo la técnica de riego de alternancia humedecimiento y secado (AWD, por sus siglas en inglés), además de algunas parcelas con filtración lateral. Se realizaron 10 vuelos entre las etapas de macollamiento y floración, cinco vuelos con un VANT Matrice 210 con una cámara multiespectral Parrot Sequoia, y cinco vuelos con un Matrice 300 RTK equipado con una cámara térmica H20T. Se colectó información de campo de los índices de vegetación (NDVI e IAF), y lecturas de un radiómetro, para ajustar información de las imágenes multiespectrales y térmicas, respectivamente; y obtener los componentes del balance de energía en superficie. Se obtuvo valores medios para evapotranspiración del cultivo (ETc) de 6,34 ±1,49 y 5,84 ± 0,41 mm d-1 para riego IC y riego AWD, respectivamente, obteniéndose un ahorro de agua del 42% con una reducción del rendimiento en 14%, proporcionando una guía para la gestión adecuada del riego, sin embargo, se sugiere utilizar el modelo para optimizar el rendimiento obteniendo umbrales críticos para la aplicación óptima de AWD frente a la escasez del recurso hídrico. Palabras clave: Oryza sativa; alternancia humedecimiento y secado; estrés hídrico; balance de energía; vehículo aéreo no tripulado; teledetección. DOI: https://doi.org/10.17268/sci.agropecu.2024.001 Cite this article: Ramos-Fernández, L., Quispe-Tito, D., Altamirano-Gutiérrez, L., Cruz-Grimaldo, C., Quille-Mamani, J. A., Carbonell-Rivera, J. P., Torralba, J., & Ruiz, L. A. (2024). Estimación de la evapotranspiración a partir de imágenes de alta resolución de VANT para sistemas de riego en arrozales de la costa norte de Perú. Scientia Agropecuaria, 15(1), 7-21. -7- Scientia Agropecuaria 15(1): 7-21 (2024) Ramos-Fernández et al. 1. Introducción variedades que necesiten un aporte hídrico menor El arroz es uno de los principales cultivos de cerea- y además optando planificaciones prácticas para un les en el mundo (Fornasiero et al., 2022; Rahman et uso más eficiente del agua, como la técnica de al., 2022), que mantiene la demanda nutricional y la riego, alternancia de humedecimiento y secado seguridad alimentaria del 50 % de la población (AWD), evapotranspiración (ET), trasplante en suelo mundial (Jiang et al., 2019; Rahman et al., 2022). no encharcado, cultivo en suelo saturado, sistema Anualmente son sembradas aproximadamente 160 de camas elevadas, sistema de arroz aeróbico, millones de hectáreas que producen 750 millones siembra directa en seco (Ishfaq et al., 2020; Cheng de toneladas de arroz, previéndose un aumento del et al., 2022). La técnica AWD se basa en la 28% de la demanda al 2050 (Jiang et al., 2019). Re- alternancia de fases de inundación y secado del cientemente, el incremento de la población mun- suelo a partir las etapas de macollamiento hasta de dial ocasionó un aumento en la demanda de agua llenado de grano (Mote et al., 2022; Cheng et al., para la producción de alimento (Ouda & Zohry, 2022) e implica un constante monitoreo del estado 2022). Además, la Organización de las Naciones del cultivo durante la fase de secado, ya que la falta Unidas para Alimentación y la Agricultura (FAO), es- de riego puede provocar estrés hídrico en la planta, timó la escasez del suministro de agua que presen- reduciendo de rendimiento (De la Cruz et al., 2022; tan al menos 4 mil millones de personas en el Mote et al., 2022; Gao et al., 2023). Se han realizado mundo durante un mes al año (Hussain et al., 2022). muchos esfuerzos para promover la AWD. Para 2025, la FAO ha proyectado que el 20% de los Adoptado principalmente por los países asiáticos. campos de arroz irrigados presentarán escasez de Por ejemplo, China posee el 41% de sus campos de agua y además el 29% puede padecer de escasez arrozales irrigados por AWD, luego se encuentra económica de agua (Ishfaq et al., 2020). Por otro Tailandia, Bangladesh, Vietnam y Filipinas (Chu et lado, el cambio climático está ligado directamente al., 2018; Ishfaq et al., 2020; Cheng et al., 2022; Yu al agua, provocando alteraciones en el ciclo hidro- et al., 2023). lógico, causando una distribución irregular de las La ET estima el requerimiento de agua en los culti- precipitaciones y el aumento de la temperatura es vos; puede obtenerse utilizando ecuaciones empí- diferentes partes del mundo, ocasionando mayores ricas o algoritmos de detección remota, además de pérdidas en evaporación y evapotranspiración de métodos tradicionales de medición como los lisí- los cultivos, reflejando un aumento de la necesidad metros, sensores de humedad y torres de flujo tur- de los recursos hídricos, siendo esto critico ante es- bulento. Sin embargo, poseen un elevado costo, cenarios futuros de sequía (Roy et al., 2022; Ouda adquisición e instalación y ofrecen información & Zohry, 2022; Zobeidi et al., 2022). puntual a escala local y para un cultivo en específico El Perú se encuentra entre uno de los países que (Niu et al., 2020; Saha et al., 2022). Con la imple- presenta escasez de agua media a alta (20% – mentación de los sensores remotos, se dispone de 40%), según la relación de extracción y disponibili- información continua de diversas imágenes dentro dad del recurso hídrico en el mundo (Hussain et al., del rango del espectro electromagnético, que per- 2022). Sin embargo, uno de sus principales cultivos mite caracterizar la fenología del cultivo, suelo, demandantes de agua es el arroz, con un consumo agua y entre otros (Saha et al., 2022). El uso de sen- de 12000 m3 ha-1 y 20000 m3 ha-1 en la costa del sores remotos y el balance de energía en la super- Perú (Neira et al., 2020). Además, el consumo per ficie permite estimar la ET. cápita anual por persona es de 63,5 kg de arroz, se El modelo METRICTM (Mapping Evapotranspiration siembran 4175970 m2 en las que se producen at High Resolution using Internalized Calibration) 3436637 t, con un rendimiento promedio de (Allen et al., 2007), calcula la ET como un residual 0,00082 t m-2 (FAOSTAT, 2023). En este sentido, la en el balance de la energía de la superficie y es una costa norte de Perú (Piura, Lambayeque y La Liber- variante del SEBAL (Surface Energy Balance tad), dominadas por planicies costeras áridas, apro- Algorithm for Land), que es un algoritmo basado ximadamente se siembran 715000 m2 con una pro- en un proceso de balance de energía (Bastiaanssen ducción de 1017267 t para el periodo del 2021 et al., 1998). Inicialmente utilizado con información (FAOSTAT, 2023). de satélite de bajo costo; sin embargo, la principal El cambio climático está afectando la producción limitación es la falta de resolución espacial para del arroz, debido al aumento de calor (alta estudios a nivel parcelario, la presencia de temperatura y humedad), de los periodos de nubosidad atmosférica e insuficientes datos en sequía, y de la salinidad (Ouda & Zohry, 2022; tiempo real (Niu et al., 2020). Por lo tanto, genera Zobeidi et al., 2022). La necesidad de ahorro de incertidumbre en la cuantificación de ciertas agua en arrozales ha fomentado que se investiguen variables de la ecuación del balance energético. -8- Scientia Agropecuaria 15(1): 7-21 (2024) Ramos-Fernández et al. En consecuencia, se ha desarrollado una nueva tec- 2. Metodología nología como la utilización de Vehículos Aéreos No Tripulados (VANT) a la necesidad de obtener imá- 2.1 Área de estudio genes de alta resolución, sin errores atmosféricos y El estudio se enmarca en un área total de 12400 m 2 adquisición de imágenes en tiempo real; permi- con arrozales de la variedad INIA 508- Tinajones tiendo la monitorización de cultivos homogéneos; con un marco de plantación de 0,20 m x 0,20 m y sin embargo, el procesamiento de las imágenes re- tres condiciones de riego: (i) riego por inundación 2 quiere una mayor capacidad computacional que continua (IC) (5900 m ), ii) riego con alternancia de requiere ser evaluada (Pintér et al., 2022). Con esta humedecimiento y secado (AWD) (2600 m 2), y (iii) tecnología se han realizado investigaciones en di- riego por filtraciones laterales (FL) (3900 m 2), ubi- ferentes cultivos alrededor del mundo, por ejemplo: cado en el sector de riego Overazal, distrito de viñedos en Estados Unidos (Nassar et al., 2021), ce- Chongoyape, región Lambayeque, Perú, con una bada en Dinamarca (Hoffmann et al., 2017), olivo en altitud de 211 m.s.n.m. y un clima árido y templado Chile (Ortega-Farías et al., 2016), olivo en España (Figura 1). (Ramírez-Cuesta et al., 2019) y entre otros. Se realizó en un periodo de seis meses, entre Esta investigación tuvo como objetivo proponer un agosto del 2021 a enero del 2022, presentando sistema del riego con menor consumo de agua en temperatura mínima y máxima de 19 ºC y 31 ºC, res- arrozales a partir de la estimación de la evapo- pectivamente, humedad relativa máxima de 94% y transpiración obtenida de imágenes derivadas de precipitación de 16,44 mm, obtenidos de la estación un VANT, para proporcionar una guía en la gestión meteorológica Tinajones del SENAMHI. adecuada del riego en la costa norte del Perú. Figura 1. Ubicación del área de estudio. (a) Distribución de parcelas según sistema de riego, (b) Ubicación del área de estudio en la costa norte del Perú, (c) Imagen satelital del distrito de Chongoyape. El sistema de referencia es EPSG:32171. La imagen se obtuvo a partir de vuelos de VANT. -9- Scientia Agropecuaria 15(1): 7-21 (2024) Ramos-Fernández et al. Según Köppen registra un clima seco árido cálido. 𝐺𝐷𝐷 = 0 < 𝑇𝐶−𝑚𝑖𝑛 (2) El suelo es franco arcilloso (28% arcilla, 48% arena, Donde, Ta, es la temperatura media del aire; Tc-min, 24% de limo), conductividad eléctrica (CE) de 0,406 es el umbral mínimo de temperatura del cultivo, a dS/m, potencial de hidrógeno (pH) de 7,51, capaci- partir del cual no se produce desarrollo vegetal. dad de intercambio catiónico (CIC) de 12 meq/100 La fuente de agua de riego proviene del canal que g, relación carbono/ nitrógeno (C/N) < 0,08, mate- abastece al reservorio Tinajones; y tiene las ria orgánica de 2,26%, nitrógeno total de 1287 mg siguientes características químicas: CE de 221 µS -1 -1kg , fosforo disponible de 20,7 mg∙kg-1, boro < 0,50 cm , pH de 7,6, cationes (Ca 2+ de 1,96; Mg2+ < 0,31; mg∙kg-1 + + -1 -1 , densidad aparente de 1,65 g∙cm-3, capaci- Na de 0,18; K de 0,0,07) meq l , aniones (Cl < 3 -3 0,3; NO 2- < 0,16; SO 2-dad de campo de 0,35 cm ∙cm y porosidad del 3 4 de 0,48) meq l -1. Según U.S. 45,28%. Soild Salinity Laboratory la clasificación del agua de riego es de tipo C1-S1, debido al bajo contenido de 2.2 Sistema de riego sodio y escasa salinidad del agua, con una relación Se tuvieron tres sistemas de riego (IC, AWD, y FL). de absorción de sodio (RAS) de 0,169. El AWD se realizó entre los estadios de macolla- El volumen de agua aplicado se estimó con el miento y botoneo (Figura 2). En IC se realizaron 15 caudal y tiempo de riego, medido en el canal de riegos distribuidos: uno en almacigo, tres en fase distribución, con el método de la velocidad media vegetativa, siete en fase reproductiva y cuatro en (flotador) y área transversal al flujo. Para analizar los fase de maduración, con una duración de 4 a 5 ho- efectos del sistema del riego, se estimó la variación ras por riego; para AWD se aplicó nueve riegos, en: el consumo de agua (ΔCA) (Ecuación 3), el reduciéndose a: uno en fase vegetativa y cuatro en rendimiento (ΔY) (Ecuación 4), y la eficiencia de uso la fase reproductiva; y en FL no se realizó riego de agua (ΔEUA) (Ecuación 5), entre AWD y IC directamente, sino recibió filtración lateral (FL) de la (Cheng et al., 2022). poza 4 adyacentes (Rahman et al., 2022). 𝐶𝐴𝐴𝑊𝐷−𝐶𝐴∆𝐶𝐴 = ( 𝐼𝐶) (3) Se identificó la fenología de acuerdo a los grados 𝐶𝐴𝐼𝐶 (𝑅𝑒𝑛𝑑𝑖𝑚𝑖𝑒𝑛𝑡𝑜𝐴𝑊𝐷−𝑅𝑒𝑛𝑑𝑖𝑚𝑖𝑒𝑛𝑡𝑜𝐼𝐶) días de calor (GDD) en base a las ecuaciones (1) y ∆𝑌 = (4) 𝑅𝑒𝑛𝑑𝑖𝑚𝑖𝑒𝑛𝑡𝑜𝐼𝐶 (2), índice útil para la identificación del crecimiento 𝐸𝑈𝐴∆𝐸𝑈𝐴 = ( 𝐴𝑊𝐷 −𝐸𝑈𝐴𝐼𝐶) (5) 𝐸𝑈𝐴𝐼𝐶 del cultivo (Porras et al., 2020): Donde, las unidades de medida para CA son m3∙ha- 1, 𝐺𝐷𝐷 = 𝑇𝑎 − 𝑇𝑐−𝑚𝑖𝑛 , 𝑇𝑎 > 𝑇𝐶−𝑚𝑖𝑛 (1) para Y son kg∙ha- 1 y para EUA son kg∙m- 3. Figura 2. (a) Sistema del riego con inundación continua (IC), y riego de alternancia de humedecimiento y secado (AWD), (b) Fenología de acuerdo a los días después de la siembra (DDS) y grados días de calor (GDD). -10- Scientia Agropecuaria 15(1): 7-21 (2024) Ramos-Fernández et al. 2.3 Estimación de la evapotranspiración llamados pixel frío y caliente (20). Con los datos La Figura 3 representa el procedimiento secuencial previos, se estimaron los componentes del balance para la estimación de la evapotranspiración del cul- de energía como la radiación neta (Rn) (14), el flujo tivo (ETc). Se emplearon dos VANTs (1) para colec- de calor del suelo (G)(15), (H)(22) y el flujo de calor tar imágenes multiespectrales (2), RGB (3) y térmi- latente (LE) (23). En última instancia, se estimó la cas (4), a partir del cual se estimaron los albedos (5), fracción de evapotranspiración de referencia (ETrF) e índices de vegetación como, el Índice de Vegeta- (24) y la ETc (25). ción de Diferencia Normalizada (NDVI) (6,7), el Ín- dice de Área Foliar (IAF) (8), previamente ajustados 2.3.1. Vehículo aéreo no tripulado (VANT) con información de campo. El modelo digital de terreno (MDT) (9) se estimó del Se realizaron los monitoreos aéreos con dos cua- ortomosaico RGB. Se colectó información climática dricópteros (i) Matrice 210 con cámara multiespec- (10) como humedad relativa (HR) (11) y otras varia- tral Parrot Sequoia (Parrot S.A., París, France) y (ii) bles climáticas (16) como temperatura del aire (Ta), Matrice 300 RTK (DJI, Shenzhen, China) con cámara velocidad del viento (V), altura de césped (h), eva- térmica DJI Zenmuse H20T (DJI, Shenzhen, China); potranspiración de referencia (ETo). Se estimó la con cinco vuelos por VANT, haciendo un total de 10 temperatura superficial (12), ajustada con informa- vuelos. La cámara multiespectral capturó 1 000 imá- ción de campo (13). Con la información del MDT se genes aproximadamente entre todos los sensores, calculó la presión atmosférica (P)(17), y luego la con calibración sobre un panel de reflectancia lla- densidad del aire (ρair) (18). La información climática mada panel de reflectancia (AIRNOV). La cámara permitió calcular la resistencia aerodinámica (rah) térmica capturó 694 imágenes térmicas y ópticas (19); y en el caso del flujo de calor sensible del aire (RGB, TIF radiométrico). Mayores detalles de las ca- (H)(22), se calculó el diferencial de temperatura (dT) racterísticas de los sensores se indican en la Tabla 1, (21) a partir de la identificación de valores umbrales y características del plan de vuelo en la Tabla 2. Figura 3. Procedimiento secuencial para la estimación es la evapotranspiración. Siendo temperatura del aire (Ta), velocidad del viento (V), altura de césped (h), humedad relativa (HR), evapotranspiración de referencia (ETo). -11- Scientia Agropecuaria 15(1): 7-21 (2024) Ramos-Fernández et al. Tabla 1 Característica de los sensores de las cámaras VANT v Traslape frontal y Tiempo de Tiempo de Tamaño del píxel VANT Cámara (m s-1) lateral captura (s) vuelo (min) (cm/píxel) Parrot 85/80 Matrice 210 7,4 1,6 10 12,4 Sequia (multiespectral) Zenmuse 75/75 (térmica) 8,9 Matrice 300 - RTK 3,4 1 30 H20T 90/60 (RGB) 3,2 Tabla 2 Características del plan de vuelo. Plan de vuelo (altura de 100m, hora de vuelo: entre las 11:00 am y 13:00 pm*) Distancia focal VANT Sensores Imágenes Banda espectral (nm)/ precisión Resolución (mm) Verde (550±40), Parrot Multies- Rojo (660±40), Matrice 210 3,98 1280 x 960 Sequoia pectral Borde rojo (735± 10), Infrarojo cercano (790±40) 8000-14000/ (± 0,2 m + D × 0,15 %) Zenmuse Térmico 13,5 640 x 512 Matrice 300 RTK D es la distancia a una superficie vertical H20T RGB 4,5 4056 x 3040 * Para minimizar el sombreado, bajo condiciones de cielo despejado y con un viento ligero. Los valores de temperatura de las imágenes térmi- de determinación (R2), coeficiente de Pearson (r) y cas se calibraron con información de un radiómetro error cuadrático medio (RMSE) fueron de 0,953, Apogee MI-210 (Apogee Instruments, MI-210, Utah, 0,976 y 12,77, respectivamente. Estos resultados Estados unidos) sobre nueve coberturas conocidas indican una buena correlación entre las (aluminio, vegetación muerta, vegetación viva, po- temperaturas de la cámara térmica H20T y el radió- liestireno expandido, tela amarrilla, tela negra, tela metro Apogee MI-210, mejor al obtenido por roja, tela verde y suelo desnudo) enmarcadas en un Torres-Rua (2017), quien relacionó imágenes cuadrado de PVC de 1 m x 1 m (largo y ancho). La térmicas colectadas con un VANT y datos registra- medición se realizó a una altura de 40 cm, colec- dos en campo con un radiómetro. tándose un total de 81 lecturas por día de vuelo, Se georreferenciaron ocho puntos de control en haciendo un total de 405 lecturas. suelo, empleando el equipo de prospección GNSS En la calibración de las imágenes térmicas, se ob- del D-RTK 2, con una precisión de ±1 cm + 1 ppm tuvo una ecuación de corrección por día de vuelo y ±2 cm + 1 ppm, en horizontal y vertical, respecti- (Figura 4), además se generó una ecuación general vamente (ppm = por cada 1 km de aumento en la (Yradiómetro = 0,8061∙XH20T + 14,667) cuyo coeficiente distancia, la precisión será 1 mm menos). Figura 4. Relación entre las temperaturas registradas por el radiómetro Apogee MI-210 y cámara térmica H20T. -12- Scientia Agropecuaria 15(1): 7-21 (2024) Ramos-Fernández et al. 2.3.2. Medición en campo de NDVI y IAF específicas para las condiciones climáticas locales y Se instalaron nueve puntos de muestreo distribui- del dosel del cultivo que se encontraba entre dos en seis pozas, identificadas con varillas de acero macollamiento y estado de huso. de 1,5 m y en la parte superior, un cilindro de poli- Al respecto, Sisheber et al. (2022) obtienen una re- estireno expandido de 0,50 m de diámetro y 0,10 m lación lineal del IAF (ceptómetro) con NDVI estima- de altura cubiertas de papel aluminio. En estos dos de imágenes LANDSAT (R2 = 0,45). Por otro nueve puntos se realizaron mediciones específicas lado, Mendoza et al. (2017) indican que las medi- sobre el NDVI, IAF y rendimiento del cultivo. ciones del IAF con ceptómetro en el cultivo de ají La medición del NDVI se realizó con el reflectóme- (Capsicum annuum) en invernadero y IAF obtenido tro portátil GreenSeaker™, marca Trimble, colec- por método destructivo, pueden llegar a tener un tando la lectura a una altura de 60 cm sobre las R2 de 0,99. plantas de arroz. La medición del IAF se realizó con un ceptómetro portátil ACCUPAR LP-80 (METER 2.3.3. Preprocesamiento de las imágenes VANT Group, Pullman, WA, USA) que consta de una ma- El preprocesamiento de las imágenes se realizó con triz lineal de 80 sensores independientes de radia- el software fotogramétrico Pix4Dmapper Pro (Pix4D ción fotosintéticamente activa (PAR) y un sensor ex- S.A., Prilly, Switzerland), principalmente tres proce- terno, con lecturas en el rango de longitud de onda dimientos estándares (alineación de fotos, genera- de 400 a 700 nm en unidades de μmol m-2 s-1 y ción de nube de puntos y generación de ortomo- precisión ± 5 %; mide la cantidad de luz intercep- saicos con modelos digitales de superficie (MDS), la tada en el dosel del cultivo. El sensor PAR se man- secuencia de levantamiento y generación de mo- tuvo debajo de las plantas de arroz y el sensor saicos de las imágenes de un VANT) (Río et al., externo a una altura de 60 cm sobre las plantas de 2019). El software presenta plantillas para generar arroz. Asimismo, se registró cuatro mediciones por mosaicos con imágenes RGB, imágenes multies- punto de muestreo, con un total de 36 datos por pectrales, imágenes térmicas y modelos en 3D; por fecha de registro, haciendo un total de 180 datos ello el programa tiene un registro de modelo de para el sensor NDVI y IAF. cámaras, de cuales reconoce los formatos de las Se obtuvo el ajuste lineal del NDVI medido en imágenes capturadas permitiéndole procesarlas. campo y estimado con imágenes multiespectrales a Se generaron ortomosaicos de las imágenes RGB, todas las fechas de monitoreo, generándose ecua- multiespectrales y térmicas, respectivamente; luego ciones de correlación para cada día de vuelo para se homogenizo la resolución a 14 cm/píxel por el la relación NDVI (YNDVI green seeker = m∙XNDVI CAMARA H20T método resample, y se realizó una clasificación su- + n) (Figura 5a). En la relación IAF y NDVI, se obtuvo pervisada (máxima verosimilitud) de las imágenes una relación lineal para cada día de vuelo (XIAF mediante el software ArcGIs 10,4 para obtener la ceptómetro = m∙YNDVI corregido + n) (Figura 5b), relaciones máscara de vegetación por cada ortomosaico. Figura 5. Relación entre NDVI estimados de imágenes multiespectrales y medido con GreenSeaker en campo (a), relación entre NDVI corregido y LAI con ceptómetro ambas medidas en campo (b). -13- Scientia Agropecuaria 15(1): 7-21 (2024) Ramos-Fernández et al. Se calculó el NDVI empleando las bandas espectra- dT (K) es la diferencia de la temperatura entre las les RED y NIR y se comparó con el NDVI medido en alturas que definen la capa de intercambio calórico campo con el GreenSeakerTM, obteniéndose una entre el aire y la superficie y rah es la resistencia ecuación lineal que permitió estimar los valores de aerodinámica (s∙m-1) correspondiente a dT (Allen et NDVI calculados. La fórmula empírica para hallar el al., 2011; Tasumi, 2019). El flujo de calor sensible (H) NDVI se presenta a continuación en la ecuación (6): es la transferencia de calor y vapor que se da entre 𝑁𝐼𝑅−𝑅𝐸𝐷 𝑁𝐷𝑉𝐼 = (6) la cobertura vegetal y la atmósfera ocurre entre 𝑁𝐼𝑅+𝑅𝐸𝐷 Z1(superficie evaporante) y Z2 (nivel de referencia) El IAF, que representa la cantidad de radiación que (Allen et al., 2011). las plantas utilizan en la fotosíntesis, se obtuvo de Se calcula el gradiente de temperatura (dT) para la relación entre el IAF medido en campo por el cada pixel basado en la relación lineal entre el dT y ceptómetro y NDVI corregido con datos recolecta- la temperatura de la superficie (Ts) para los píxeles dos en campo, acorde a lo realizado por Fan et al. de anclaje frío y caliente (Allen et al., 2011), apli- (2009). cando cada resultado a la ecuación (9) (Acharya & 2.3.4. Modelo de balance de energía Sharma, 2021). Según Allen et al. (2007), Mapping EvapoTranspira- 𝑑𝑇 𝐻 = 𝜌 𝑥𝐶 𝑥 (9) tion at high Resolution with Internalized Calibration 𝑎𝑖𝑟 𝑃 𝑟𝑎ℎ (METRIC), es originalmente un modelo basado en En la selección del píxel frío y caliente se definieron imágenes de satélite que estima la ET mediante la condiciones límites para el equilibrio energético. aplicación de balance de energía superficial. La ET Los píxeles están en función de la homogeneidad se calcula como un residuo de la ecuación de ba- entre sus píxeles vecinos y la distancia a la estación lance de energía superficial mediante el flujo de ca- meteorológica. El píxel frío se identificó en campo lor latente (LE). La fórmula empleada para el cálculo agrícola, con selección de un subconjunto de del LE es presentada en la ecuación (7). píxeles con valores de temperatura en el rango ± 𝐿𝐸 = 𝑅𝑛 − 𝐺 − 𝐻 (7) 0,2 K del promedio del 20% más frío, extraído del Donde, R es la radiación neta (W∙m-2); G es el flujo área del 5% de los valores más altos del NDVI. Fi-n de calor del suelo (W∙m−2); y H es el flujo de calor nalmente, se seleccionó el 2% del 5% de los valores sensible (W∙m−2) (Allen et al., 2011). más altos del NDVI, siendo el píxel candidato final El cálculo de Rn requiere de manera previa la ob- el promedio de este 2%. Por lo contrario, el píxel tención de imágenes de NDVI, e imágenes IAF, caliente se identificó en suelos desnudos sin vege- ajustadas a datos de campo; además el MDT calcu- tación, con selección de subconjunto de píxeles con lado se aplica en la radiación de onda corta inci- valores de temperatura en el rango del ± 0,2 K del dente y radiación de onda larga incidente, la T y el promedio del 20% más caliente, extraído del área s IAF en el cálculo de la radiación de onda larga sa- del 10% de los valores más bajos de NDVI. La selec- liente; esta secuencia es detallada por Bastiaanssen ción de los píxeles finales se da en función de la et al. (1998). proximidad del valor promedio y la homogeneidad El G representa el calor conducido al suelo, su entre sus píxeles vecinos (Morton et al., 2013; cálculo depende del valor del IAF obtenido, de la T Bhattarai et al., 2017). s obtenidos de las imágenes capturadas por el VANT y la Rn, y se calcula mediante las siguientes ecua- 3. Resultados y discusión ciones (8a y 8b). (Allen et al., 2011). 3.1 Rendimiento y consumo de agua 𝐺 = 0,05 + 0,18𝑒−0,521𝑥𝐼𝐴𝐹 (𝐼𝐴𝐹 ≥ 0,5) (8a) Se identificaron las fases fenológicas del cultivo, a 𝑅𝑛 𝐺 1,8𝑥(𝑇𝑠−273,15) = + 0,084 (𝐼𝐴𝐹 < 0,5) (8b) 66, 98 y 130 DDS para vegetativa, reproductiva y de 𝑅𝑛 𝑅𝑛 maduración, destacando los estadios de Donde TS es la temperatura de la superficie (K) y IAF macollamiento, estado de huso y floración, a 66, 76 es adimensional (Allen et al., 2011). y 89 DDS respectivamente (Porras et al. 2020). El flujo de calor sensible (H) es la tasa de pérdida En la Tabla 3, se presenta el consumo de agua y de calor por el aire a través de la convección y con- número de riegos aplicados por fase del cultivo de ducción, se calcula a partir de la rugosidad de la acuerdo a la condición de riego (IC y AWD) en sus superficie, velocidad del viento y la diferencia de pozas correspondientes, observando un ahorro de temperatura de la superficie y del aire, extrayendo agua del 41,90% con AWD respecto a IC; y una re- datos de la estación meteorológica se calcula la ducción del 13,66% del rendimiento, pero un incre- densidad del aire (ρair, kg∙m-3), Cp es el calor mento de la EUA en 48,94%. Al respecto, los cortes específico del aire a presión constante (J∙kg-1∙K-1), el de agua en la etapa reproductiva (floración) con -14- Scientia Agropecuaria 15(1): 7-21 (2024) Ramos-Fernández et al. AWD han impactado negativamente en el rendi- 3.3 Balance de energía miento, ya que debieron estar entre macollamiento En la Figura 6 se presenta la variación espacial de y estado de huso (Ishfaq et al., 2020). La implemen- los componentes de balance de energía Rn, G, H y tación de AWD en la etapa reproductiva causó una LE en macollamiento (23 y 28 de octubre), en reducción del rendimiento en comparación con la primordio floral (14 y 17 de noviembre) y estado de implementación de AWD en la fase vegetativa. huso (20 de noviembre) del cultivo de arroz. En la Además, la textura franco-arenosa pudo influir en Tabla 4 se muestra los resultados del NDVI, IAF y un mayor estrés hídrico, por el poco almacena- componentes del balance de energía por sistema miento del agua; por lo tanto, se debe explorar la de riego. Para el riego con IC los valores varían en gestión óptima del AWD sin penalizar el rendi- el rango de 540,63 a 621,09 W∙m-2, de 47,99 a 56,69 miento en condiciones del suelo actual. W∙m-2, y 159,68 a 206,31 W∙m-2 para Rn, G y H, respectivamente. Para AWD, los valores varían de 3.2 Selección de píxel frio y caliente 553,76 a 655,75 W∙m-2, 52,70 a 58,11 W∙m-2, y 139,36 La selección de los píxeles extremos caliente y frío a 206,39 W∙m-2 para Rn, G y H, respectivamente. para las fechas de campo (Tabla 4, muestra que los Para FL, los valores varían entre 527,88 a 591,21 píxeles fríos corresponden a una temperatura W∙m-2, 46,71 a 52,51 W∙m-2, y 160,00 a 208,76 W∙m-2 superficial de (Ts) mínima de 283,22 K, y valores para Rn, G y H, respectivamente. máximos de NDVI, IAF y albedo de 0,83, 3,03 y 0,33, Según Allen et al. (2011) y Nassar et al. (2021), la Rn respectivamente. Los píxeles calientes correspon- puede encontrarse entre 100 a 800 W∙m-2 den a una temperatura superficial (Ts) máxima de dependiendo de la variación diurna, alcanzando un 331,23 K, valores mínimos de NDVI, IAF y albedo de mayor valor al medio día. Otros autores indican que 0,06, 0,005 y 0,21, respectivamente. Las caracterís- G varía de 0 a 180 W∙m-2 (Nassar et al., 2021), y H ticas anteriormente señaladas corroboran lo varía de 50 a 400 W∙m-2 (Acharya & Sharma, 2021). expuesto por Allen et al. (2011) y Morton et al. Los resultados obtenidos en este estudio están (2013), quienes afirman que el proceso de dentro de estos rangos. Sin embargo, Nassar et al. verificación de los píxeles frio y caliente se realizan (2021) indican que los componentes del balance de en áreas separadas, es decir que el píxel frío se energía alcanzan valores más altos al medio día, debe seleccionar en coberturas vegetales, mientras con variación horaria según estación del año que el píxel caliente se debe seleccionar en suelos (verano, primavera, otoño e invierno) y valores más desnudos sin vegetación. altos en verano. Figura 6. Variación espacial de Radiación Neta (Rn), Flujo de calor del suelo (G), flujo de calor del sensible (H) y flujo de calor latente (LE) en macollamiento (49 DDS, 54 DDS), en primordio floral (71 DDS, 74 DDS) y estado de huso (77 DDS) del cultivo de arroz. -15- Scientia Agropecuaria 15(1): 7-21 (2024) Ramos-Fernández et al. Tabla 3 Consumo de agua por fase vegetativa, y número de riegos Fase Fase de Almácigo Fase vegetativa reproductiva maduración Consumo total Descrip-ción Número Número Producción EUA Consumo Consumo Número de (m3 ha-1) de de Consumo (m3 ha-1) Consumo (m3 ha-1) (m3 ha-1) (m3 ha-1) riegos riegos riegos IC Poza-2 2500 3 4283,75 7 9995,41 4 5711,66 22490,83 11,32 0,50 Poza-3 2500 3 4196,49 7 9791,82 4 5595,33 22083,64 9,76 0,44 AWD Poza-1 2500 1 1694,46 4 4377,82 4 4377,82 12950,10 9,10 0,70 FL Poza-4 2500 - - - - - - - 9,99 - Poza-5 2500 - - - - - - - 9,87 - Poza-6 2500 - - - - - - - 11,06 - Tabla 4 Selección del píxel frío y caliente con valores de NDVI, albedo, temperatura y las constantes de calibración [dT = a + b∙TS; (Allen et al., 2011)] Coordenadas (WGS84, UTM) Fecha DDS Píxel X Y NDVI IAF Albedo T(K) a b 23-Oct 49 Frío 677128,82 9268885,52 0,91 1,97 0,23 290,87 0,297 -85,473 Caliente 677236,62 9268711,78 0,37 0,02 0,13 300,11 28-Oct 54 Frío 677131,92 9268668,88 0,76 1,42 0,25 289,21 0,216 -60,674 Caliente 677143,54 9268827,36 0,35 0,07 0,16 297,26 14-Nov 71 Frío 677144,44 9268877,83 0,79 3,17 0,20 292,51 0,038 -10,915 Caliente 677233,76 9268719,21 0,23 0,01 0,18 328,25 17-Nov 74 Frío 677121,00 9268890,21 0,81 3,66 0,20 293,36 0,068 -18,245 Caliente 677238,46 9268710,73 0,28 0,03 0,16 327,15 20-Nov 77 Frío 677178,82 9268779,75 0,81 2,65 0,25 301,83 0,093 -26,620 Caliente 677237,62 9268703,73 0,52 0,11 0,22 331,26 -16- Scientia Agropecuaria 15(1): 7-21 (2024) Ramos-Fernández et al. Tabla 5 Resumen de los valores del índice de vegetación bajo riego de inundación continua (IC), alternancia de humedecimiento y secado (AWD), y filtración lateral (FL) Fase vegetativa Fase reproductiva Detalle Macollamiento Primordio floral Estado de huso 49 DDS 54 DDS X̄ ± S 71 DDS 74 DDS X̄ ± S 77 DDS Inundación continua (IC) Albedo 0,19 ± 0,02 0,18 ± 0,02 0,19 ± 0,02 0,18 ± 0,01 0,19 ± 0,01 0,19 ± 0,01 0,18 ± 0,01 Térmica 19,19 ± 0,57 21,07 ± 0,33 20,13 ± 0,45 21,48 ± 0,69 22,18 ± 1,36 21,83 ± 1,03 27,01 ± 0,44 NDVI 0,77 ± 0,04 0,72 ± 0,02 0,75 ± 0,03 0,83 ± 0,02 0,80 ± 0,02 0,82 ± 0,02 0,79 ± 0,01 IAF 1,64 ± 0,34 1,04 ± 0,13 1,34 ± 0,24 2,15 ± 0,30 2,24 ± 0,44 2,15 ± 0,37 1,92 ± 0,14 Rn 670,06 ± 18,93 491,01 ± 13,07 580,535 ± 16,00 717,80 ± 13,54 612,13 ± 15,03 664,97 ± 14,29 619,83 ± 7,66 G 55,57 ± 4,97 25,09 ± 1,53 40,33 ± 3,25 39,41 ± 3,09 61,16 ± 3,39 50,29 ± 3,24 39,46 ± 1,25 H 220,56 ± 24,17 307,37 ± 7,16 263,97 ± 15,67 102,43 ± 6,30 217,41 ± 11,21 159,92 ± 8,76 142,95 ± 4,28 LE 393,93 ± 31,73 158,53 ± 17,39 212,83 ± 24,56 575,95 ± 16,53 333, 54 ± 24,40 454,75 ± 20,47 480,60 ± 19,31 ET24 5,86 ± 0,47 5,68 ± 0,62 5,77 ± 1,09 8,13 ± 0,23 6,02 ± 0,43 7,08 ± 0,33 9,64 ± 0,39 Alternancia de humedecimiento y secado (AWD) Albedo 0,21 ± 0,02 0,21 ± 0,02 0,21 ± 0,02 0,20 ± 0,01 0,20 ± 0,01 0,20 ± 0,01 0,18 ± 0,01 Térmica 18,68 ± 0,58 21,42 ± 0,28 20,05 ± 0,43 21,31 ± 0,69 23,54 ± 1,83 22,43 ± 2,52 26,75 ± 0,54 NDVI 0,76 ± 0,05 0,73 ± 0,03 0,75 ± 0,04 0,86 ± 0,01 0,83 ± 0,02 0,85 ± 0,02 0,80 ± 0,01 IAF 1,60 ± 0,40 1,13 ± 0,18 1,37 ± 0,29 2,57 ± 0,32 2,97 ± 0,44 2,77 ± 0,38 2,09 ± 0,14 Rn 656,49 ± 18,08 461,92 ± 15,54 559, 21 ± 33,62 697,40 ± 14,96 585,58 ± 18,20 641,49 ± 16,58 618,91 ± 7,51 G 55,91 ± 6,00 24,60 ± 2,08 40,26 ± 4,04 36,96 ± 2,16 59,34 ± 2,66 48,15 ± 2,41 38,18 ± 0,90 H 197,31 ± 28,16 317,29 ± 9,02 257,30 ± 18,59 102,85 ± 7,55 237,13 ± 16,11 169,99 ± 11,83 141,58 ± 6,17 LE 403,28 ± 37,27 120,07 ± 21,46 261, 68 ± 29,37 558,58 ± 19,46 289,14 ± 33,64 423,86 ± 26,55 464,07 ± 22,13 ET24 5,99 ± 0,55 4,30 ± 0,77 5,15 ± 0,66 7,88 ± 0,27 5,22 ± 0,60 6,55 ± 0,44 9,31 ± 0,44 Filtración Lateral (FL) Albedo 0,18 ± 0,02 0,18 ± 0,01 0,18 ± 0,02 0,19 ± 0,01 0,19 ± 0,01 0,19 ± 0,01 0,17 ± 0,01 Térmica 19,22 ± 0,55 21,53 ± 0,30 20,38 ± 0,43 21,72 ± 0,88 24,16 ± 2,10 22,94 ± 2,98 26,91 ± 0,60 NDVI 0,77 ± 0,01 0,73 ± 0,01 0,75 ± 0,01 0,86 ± 0,01 0,83 ± 0,01 0,85 ± 0,01 0,80 ± 0,00 IAF 1,64 ± 0,16 1,14 ± 0,08 1,39 ± 0,12 2,58 ± 0,22 2,91 ± 0,31 2,75 ± 0,27 2,08 ± 0,10 Rn 678,81 ± 11,03 484,37 ± 11,22 581, 59 ± 11,13 711,06 ± 14,31 593,62 ± 18,57 652,34 ± 16,44 622,74 ± 6,59 G 55,54 ± 2,24 24,68 ± 0,79 40,11 ± 3,03 36,66 ± 2,07 60,13 ± 2,99 48,40 ± 2,53 38,52 ± 1,11 H 222,43 ± 23,71 320,60 ± 7,46 271,52 ± 15,59 106,92 ± 8,93 239,16 ± 16,78 173,04 ± 12,86 143,12 ± 6,34 LE 400,84 ± 28,80 139,09 ± 16,42 214,82 ± 22,61 567,48 ± 21,32 294,33 ± 36,37 430,91 ± 28,85 482,93 ± 15,43 ET24 5,96 ± 0,43 4,99 ± 0,59 5,48 ± 0,51 8,01 ± 0,30 5,32 ± 0,65 6,67 ± 0,48 9,69 ± 0,31 . -17- Scientia Agropecuaria 15(1): 7-21 (2024) Ramos-Fernández et al. La variación espacial del H (Figura 6) está directa- valores (X±S) de 7,28, 8,21 y 6,29 mm∙d-1 (macolla- mente influenciada por la temperatura superficial. miento), 5,62, 6,36 y 5,33 mm∙d-1 (primordio floral) La variaron térmica del día 54 DDS, ocurre por el y 5,68, 5,85 y 5,41 mm∙d-1 (estado de huso), con apagado y encendido del VANT para realizar el valores máximos de 13,72, 7,60 y 7,35 mm∙d-1 para cambio de batería. La cámara H20T es una cámara IC, y 13,17, 7,59 y 7,35 mm∙d-1 para AWD. no refrigerada, por lo que el propio calor interno En la Tabla 6 se muestra los promedios y desviación del sensor influye en la captura de datos de tempe- estándar de los componentes de balance de energía, ratura. Esto podría generar una variación en las bajo diferentes sistemas de riego. Se observa que en lecturas, por lo que se sugiere no apagar el equipo un riego AWD hay una reducción de 6,56% y 32,43% para cambio de batería. para NDVI e IAF, 21,28% para albedo y 11,58%, 8,09% y 2,45% para Rn, G y H, respectivamente, respecto a 3.4 Evapotranspiración del cultivo diario (ETc) FL. Se obtienen valores promedios de ETc de 7,07, En la Figura 7 se aprecia la variación espacial de la 6,79 y cd 6,54 mm∙d-1 para IC, FL y AWD, respectiva- ETc diaria, con valores (x, S) para las fases de mente. Además, se obtiene con el riego AWD un macollamiento, primordio floral y estado de huso, ahorra en el consumo de agua de 42% (ΔCA), pero según condición de riego. una reducción del rendimiento del 14% (ΔY); esto se En la Tabla 5 se presentan los valores de la ETc, traduce en un incremento del 49% (ΔEUA) en la según estadio y sistema de riego, obteniéndose eficiencia del uso de agua. Figura 7. Variación espacial de la evapotranspiración (ET) en macollamiento (49 DDS, 54 DDS), primordio floral (71 DDS, 74 DDS) y estado de huso (77 DDS) del cultivo de arroz. Tabla 6 Resultados finales de los componentes de balance de energía, Evapotranspiración del cultivo (ETc) y otros resultados, según el riego Alternancia de Inundación continua Filtración Lateral Detalle humedecimiento y secado (IC) (FL) (AWD) Albedo 0,18 ± 0,01 0,18 ± 0,01 0,20 ± 0,01 Térmica (ºC) 22,19 ± 0,68 22,71 ± 0,89 22,34 ± 0,78 NDVI 0,78 ± 0,02 0,80 ± 0,01 0,80 ± 0,02 IAF (m2∙m-2) 1,8 ± 0,27 2,07 ± 0,17 2,07 ± 0,30 Rn (W∙m-2) 622,17 ± 13,65 618,12 ± 12,34 604,06 ± 14,86 G (W∙m-2) 44,14 ± 2,85 43,11 ± 1,84 43,00 ± 2,76 H (W∙m-2) 198,14 ± 10,62 206,45 ± 12,64 199,23 ± 13,40 LE (W∙m-2) 402,25 ± 21,87 376,93 ± 23,67 367,03 ± 26,79 ETc (mm∙d-1) 7,07 ± 0,43 6,79 ± 0,46 6,54 ± 0,53 Rendimiento (t∙ha-1) 10,54 ± 1,24 10,31 ± 0,35 9,10 ± 0,98 Consumo de agua (m-3) 22287,23 - 12950,1 Eficiencia en el consumo de agua (EUA) (kg∙m-3) 0,47 - 0,7 Variación del consumo del agua (∆IW) -41,90% Variación del rendimiento (∆Y) -13,66% Variación de la eficiencia en el consumo del agua (∆EUA) -48,94% -18- Scientia Agropecuaria 15(1): 7-21 (2024) Ramos-Fernández et al. Los valores de IAF en los arrozales con AWD, son de riego y método de ETc; con valores máximos de los menores en comparación a los otros métodos ETc se encuentran en el clima tropical, templado de riego, esto por el estrés hídrico ocasionado por mediterráneo y árido (Senegal, Estados Unidos y riego de alternancia, humedecimiento y secado en Irán) con 10,50, 8,40 y 8,40 mm∙d-1. En otros estu- la etapa de macollamiento. La Rn están dentro del dios presenta valores superiores a lo estimado en la rango obtenido por Lee & Kim, (2016), quien zona de estudio, además presentan mayor afinidad monitoreo cultivo de arroz con información de en las condiciones climáticas. Sin embargo, en las imágenes del satélite MODIS, obteniendo valores condiciones climáticas de templado (Lee & Kim, de Rn de 400 a 800 W∙m-2.; con valores de G, de 28 2016), húmedo tropical (Sawadogo et al., 2020), a 78 W∙m-2 y H hasta 241 W∙m-2; siendo valores monzónico tropical (Saha et al., 2022) y monzónico cercanos a los obtenidos por Lee & Kim (2016). subtropical (Liu et al., 2018) y continental cálido Los valores de NDVI registrados están en aumento, (Wei et al., 2023), presentan valores inferiores de según aumente los días del cultivo, esto como res- 5,30, 6,17, 5,64, 4,03 y 5,10 mm∙d-1. Aunque, en el puesta al desarrollo del cultivo y fertilización. Sin clima subtropical húmedo de China (Wei et al., embargo, los valores promedios son menores a 0,8 2023), se asemeja al resultado obtenido de 7,07 lo que podría deberse a una dosis menor de fertili- mm d-1. Además, de las similitudes en algunas con- zación por los altos costos en el mercado, además diciones climáticas, también presenta diferentes ETc puede haberse afectado por una geminación no debido a las variedades de arroz, morfología de uniforme y leve disminución de la densidad pobla- suelo y a las condiciones antrópicas. cional (Gonzalez & Mayorga, 2018). Sin embargo, La fase de cultivo que registro mayor promedio de estos valores son mayores a los obtenidos por ETc fue en la fase de macollamiento, por presentar Garcia & Martinez, (2009) que registraron valores riego unos días antes del vuelo del VANT, como fue de 0,36 a 0,71 en arrozales en Colombia, tomadas el 28 de octubre (54 DDS), presentando esta fecha con un VANT. el mayor ETc, además ese día, se registró la tempe- En la Tabla 7, se presentan valores de ETc estima- ratura máxima de los días de vuelo, condición que dos para diferentes condiciones climáticas, sistema favoreció un incremento de la ETc. Tabla 7 Valores de evapotranspiración del cultivo (ETc) de diversos estudios Condición Sistema de ETc Método para estimar ETc Zona de estudio Referencia climática riego (mm d-1) Inundado 7,07 Árido templado Balance de energía (METRIC) Perú Área de estudio AWD* 6,54 Árido cálido Goteo Balance hídrico (lisímetro) 1,75-5,16 Perú Neira et al. (2020) Árido cálido Goteo Balance de energía (METRIC) 1,65-7,48 Perú Quille et al. (2021) Taherparvar & Árido Inundado ETo x Kc 3,40-8,40 Irán Pirmoradian (2018) Balance de energía: SEBAL y Templado Inundado 5,30 y 5,20 Corea del Sur Lee & Kim (2016) Eddy Covariance Tropical Inundado Balance hídrico 4,40-10,50 Senegal Djaman et al. (2019) Húmedo tropical Inundado Balance de energía (SEBAL) 5,52-6,17 Burkina Faso Sawadogo et al. (2020) Bangladesh, Monzónico tropical Inundado Balance de energía (METRIC) 3,41-5,64 Saha et al. (2022) Mymensingh Monzónico Balance de energía (Torre de Inundado 4,03 China Liu et al. (2018) subtropical flujo) Monzónico Inundado Balance de energía (SEBAL) 1,05-7,43 China Wei et al. (2022) subtropical 2,5-5,6 y Subtropical húmedo China, Nanchang 3,5-7,2 Templado Balance de energía: SEBAL y 1,0-7.6 y Inundado Estados Unidos Wei et al. (2023) mediterráneo Torre de flujo 0.5-8.4 0.2-4.1 y Continental cálido Corea del Sur 0.5-5.1 * Alternancia de humedecimiento y secado (AWD). Además, es posible que la temperatura superficial La ETc en el arrozal, fue menor en las fases de pri- captada por la cámara térmica esté alterada por el mordio floral y estado de huso, debido a un des- cambio de batería realizada durante el monitoreo perfecto con la bomba de riego, por lo cual se tuvo del VANT. cinco días sin riego. La reducción del rendimiento -19- Scientia Agropecuaria 15(1): 7-21 (2024) Ramos-Fernández et al. puede ser causada por la reducción de la dosis de Referencias bibliográficas fertilización empleada y control parcial del ataque Acharya, B., & Sharma, V. (2021). Comparison of satellite driven de plagas (Pyricularia oryzae y Tagosodes surface energy balance models in estimating crop orizicolus), debido al alto costo en el mercado. evapotranspiration in semi-arid to arid inter-mountain region. In Remote Sensing, 13(9), 1822. Allen, R. G., Tasumi, M., Morse, A., Trezza, R., Wright, J. L., 4. Conclusiones Bastiaanssen, W., Kramber, W., Lorite, I., & Robison, C. W. (2007). Satellite-Based Energy Balance for Mapping Este estudio evalúa los mosaicos multiespectrales y Evapotranspiration with Internalized Calibration (METRIC)— térmicos de alta resolución espacial mediante la ca- Applications. Journal of Irrigation and Drainage Engineering, libración de los parámetros del modelo de balance 133(4), 395–406. de energía para la estimación del modelo METRIC Allen, R., Trezza, R., Hendrickx, J. M. H., Bastiaanssen, W., & Kjaersgaard, J. (2011). Satellite-based ET estimation in en arrozales. El ajuste de las imágenes térmicas es agriculture using SEBAL and METRIC. Hydrological Processes, importante para la implementación del modelo 25(26), 4011–4027. METRIC, por lo tanto, el uso de un radiómetro con Bastiaanssen, W., Menenti, M., Feddes, R., & Holtslag, A. (1998). A remote sensing surface energy balance algorithm for land lecturas en diferentes coberturas obtuvo un RMSE (SEBAL) 1. Formulation. Journal of Hydrology, 212–213, 198– de 12,5 ºC, mostrando resultados confiables para la 212. estimación de los componentes del modelo ME- Bhattarai, N., Quackenbush, L. J., Im, J., & Shaw, S. B. (2017). A new TRIC. optimized algorithm for automating endmember píxel selection in the SEBAL and METRIC models. Remote Sensing La calibración de los índices de vegetación NDVI e of Environment, 196, 178–192. IAF con mediciones de campo, resultaron en un Cheng, H., Shu, K., Zhu, T., Wang, L., Liu, X., Cai, W., Qi, Z., & Feng, RMSE de 0,099 y 1,219, respectivamente. Los com- S. (2022). Effects of alternate wetting and drying irrigation on yield, water and nitrogen use, and greenhouse gas emissions ponentes de balance de energía Rn, G, H y LE, mos- in rice paddy fields. Journal of Cleaner Production, 349, traron valores aceptables dentro de los rangos es- 131487. tablecidos, para el área de estudio en las diferentes Chu, G., Chen, T., Chen, S., Xu, C., Wang, D., & Zhang, X. (2018). fases de desarrollo del cultivo. The effect of alternate wetting and severe drying irrigation on grain yield and water use efficiency of Indica-japonica hybrid Se obtienen valores medios de 6,34 y 5,84 mm∙d-1 rice (Oryza sativa L.). Food and Energy Security, 7(2), e00133. para riego con inundación continua y alternancia Djaman, K., Rudnick, D. R., Moukoumbi, Y. D., Sow, A., & Irmak, S. de humedecimiento y secado, respectivamente. (2019). Actual evapotranspiration and crop coefficients of irrigated lowland rice (Oryza sativa L.) under semiarid climate. Además, se obtiene un ahorro en el consumo de Italian Journal of Agronomy, 14(1), 19-25. agua del 42%, pero una reducción del rendimiento De la Cruz, K. M. S., Ella, V. B., & Lampayan, R. M. (2022). A coupled del 14%, que se traduce en un incremento del 49% surface-subsurface flow model for simulating soil-water en la eficiencia del uso de agua, resultados iniciales dynamics in lowland rice field under alternate wetting and drying conditions. Agricultural Water Management, 265, que permitirán optimizar el uso del agua y mejorar 107541. la gestión del riego. Para futuras investigaciones se FAOSTAT. 2023. Datos sobre alimentación y agricultura. División sugiere realizar un estudio con mayor margen de de Estadística de la Organización de las Naciones Unidas para la Alimentación y la Agricultura (FAO). área, con diferentes variedades que sean resistente www.fao.org/faostat/en/#data/QC. al estrés hídrico y la utilización en conjunta de imá- Fan, L., Gao, Y., Brück, H., & Bernhofer, Ch. (2009). Investigating genes satelitales de Sentinel y VANT, y obtener un the relationship between NDVI and IAF in semi-arid grassland plan de gestión hídrica para afrontar el cambio in Inner Mongolia using in-situ measurements. Theoretical and Applied Climatology, 95(1-2), 151-156. climático. Fornasiero, A., Wing, R. A., & Ronald, P. (2022). Rice domestication. Current Biology, 32(1), R20-R24 Financiamiento Gao, S., Gu, Q., Gong, X., Li, Y., Yan, S., & Li, Y. (2023). Optimizing Esta investigación fue financiada por la Agencia Española de water-saving irrigation schemes for rice (Oryza sativa L.) using Cooperación Internacional (AECID), en el marco del proyecto DSSAT-CERES-Rice model. International Journal of “Mejora de la gestión del agua en arrozales de productores rurales Agricultural and Biological Engineering, 16(2), 142-151. peruanos empleando VANT y satélites en el marco del cambio Garcia, S., Martinez, L. (2009). Satellite image based method for climático” (Proyecto N° 2020/ACDE/000307 - RICEMON). rice (Oryza sativa L.) crop identification. Agronomía Conflictos de Interés Colombiana 28(2), 281-290. Los autores declaran no tener conflictos de interés. Gonzalez, M., & Mayorga-Ruíz, Z. L. (2018). Normalized difference vegetation index for rice management in El Espinal, ORCID Colombia. DYNA, 85(205), 47-56. L. Ramos-Fernández https://orcid.org/0000-0003-3946-7188 Hoffmann, H., Nieto, H., Jensen, R., Guzinski, R., Zarco-Tejada, P., D. Quispe-Tito https://orcid.org/0000-0003-3325-5512 & Friborg, T. (2016), Estimating Evaporation with Thermal UAV L. Altamirano-Gutiérrez https://orcid.org/0000-0002-7688-598X Data and Two-source Energy Balance Models. Hydrol. Earth C. Cruz-Grimaldo https://orcid.org/0000-0002-0337-3799 Syst. Sci., 20, 697–713. J. A. Quille-Mamani https://orcid.org/0000-0002-5283-7211 Hussain, Z., Wang, Z., Wang, J., Yang, H., Arfan, M., Hassan, D., J. P. Carbonell-Rivera https://orcid.org/0000-0002-6724-6780 Wang, W., Azam, M. I., & Faisal, M. (2022). A comparative J. Torralba https://orcid.org/0000-0001-8644-8604 Appraisal of Classical and Holistic Water Scarcity Indicators. L. A. Ruiz https://orcid.org/0000-0003-0073-7259 Water Resources Management, 36(3), 931-950. -20- Scientia Agropecuaria 15(1): 7-21 (2024) Ramos-Fernández et al. Ishfaq, M., Farooq, M., Zulfiqar, U., Hussain, S., Akbar, Ahmad, N., Ramírez-Cuesta, J.M., Allen, R.G., Zarco-Tejada, P.J., Kilic, A., Nawaz, A., & Ahmad Anjum, S. (2020). Alternate wetting and Santos, C., & Lorite, I.J. 2019. Impact of the spatial resolution drying: A water-saving and ecofriendly rice production on the energy balance components on an open-canopy olive system. Agricultural Water Management, 241, 1-22. orchard. International Journal of Applied Earth Observation Jiang, Y., Carrijo, D., Huang, S., Chen, J., Balaine, N., Zhang, W., and Geoinformation, 7, 88-102. Groenigen, K., & Linquist, B. (2019). Water management to Río, O., Espinoza, T., Sáenz, A., & Córtes, F. (2019). Levantamientos mitigate the global warming potential of rice systems: A Topográficos con Drones. Revista Ciencia, Ingeniería y global meta-analysis. Field Crops Research, 234, 47-54. Desarrollo Tec Lerdo, 1(5), 15-19. Lee, Y., & Kim, S. (2016). The Modified SEBAL for Mapping Daily Roy, D., Hossain, Md. B., Pranto, M. R. B. H., & Islam, Md. T. (2022). Spatial Evapotranspiration of South Korea Using Three Flux Drought Management by Integrated Approaches in T. Aman Towers and Terra MODIS Data. Remote Sensing, 8(12), 983. Rice Season to Escalate Rice Productivity in Drought Prone Liu, X., Xu, J., Yang, S., & Zhang, J. (2018). Rice evapotranspiration Regions of Bangladesh. En G. M. Tarekul Islam, S. Shampa, & at the field and canopy scales under water-saving irrigation. A. I. A. Chowdhury (Eds.), Water Management: A View from Meteorology and Atmospheric Physics, 130(2), 227-240. Multidisciplinary Perspectives (pp. 351-364). Springer Mendoza, C, Ramírez, C, Ojeda, W, Instituto Mexicano de International Publishing. Tecnología del Agua, Flores, H, & Colegio de Postgraduados. Saha, S., Ahmmed R., & Jahan N. (2022). Actual Evapotranspiration (2017). Estimation of leaf area index and yield of greenhouse- Estimation Using Remote Sensing: Comparison of Sebal and grown poblano pepper. Ingeniería Agrícola y Biosistemas, 9(1), Metric Models. In: Tarekul Islam GM, Shampa S., Chowdhury 37-50. AIA (eds) Water Management: A View from Multidisciplinary Mote, K., Rao, V. P., Ramulu, V., Kumar, K. A., & Devi, M. U. (2022). Perspectives. Springer, Cham. 365 – 383. Performance of rice (Oryza sativa (L.)) under AWD irrigation Sawadogo, A., Kouadio, L., Traoré, F., Zwart, S. J., Hessels, T., & practice—A brief review. Paddy and Water Environment, Gündoğdu, K. S. (2020). Spatiotemporal Assessment of 20(1), 1-21. Irrigation Performance of the Kou Valley Irrigation Scheme in Morton, C. G., Huntington, J. L., Pohll, G. M., Allen, R. G., Mcgwire, Burkina Faso Using Satellite Remote Sensing-Derived K. C., & Bassett, S. D. (2013). Assessing Calibration Uncertainty Indicators. ISPRS International Journal of Geo-Information, and Automation for Estimating Evapotranspiration from 9(8), 484. Agricultural Areas Using METRIC. Journal of the American Sisheber, B, Marshall, M, Mengistu, D, & Nelson, A. (2022). Water Resources Association, 49(3), 549–562. Tracking crop phenology in a highly dynamic landscape with Nassar, A., Torres‐Rua, A., Kustas, W., Alfieri, J., Hipps, L., Prueger, knowledge-based Landsat–MODIS data fusion. International J., Nieto, H., Alsina, M. M., White, W., McKee, L., Coopmans, Journal of Applied Earth Observation and Geoinformation, C., Sanchez, L., & Dokoozlian, N. (2021). Assessing daily 106, 102670. evapotranspiration methodologies from one‐time‐of‐day Tasumi, M. (2019). Estimating evapotranspiration using METRIC suas and ec information in the grapex project. Remote model and Landsat data for better understandings of regional Sensing, 13(15), 2887. hydrology in the western Urmia Lake Basin. Agricultural Water Neira, E., Ramos-Fernández, L., & Ramón, L. (2020). Coefficient of Management, 226, 105805. cropping (Kc) of rice from drain lysimeter in The Molina, Lima- Taherparvar, M., & Pirmoradian, N. (2018). Estimation of Rice Perú. IDESIA (Chile). Lima-Perú. 38(1), 1-7 Evapotranspiration Using Reflective Images of Landsat Niu, H., Hollenbeck, D., Zhao, T., Wang, D., & Chen, Y. (2020). Satellite in Sefidrood Irrigation and Drainage Network. Rice Evapotranspiration estimation with small uavs in precision Science, 25(2), 111-116. agriculture. Sensors, 20(22), 1–28. Tasumi, M. (2019). Estimating evapotranspiration using METRIC Ortega-Farías, S., Ortega-Salazar, S., Poblete, T., Kilic, A., Allen, R., model and Landsat data for better understandings of regional Poblete-Echeverría, C., Ahumada-Orellana, L., Zuñiga, M., & hydrology in the western Urmia Lake Basin. Agricultural Water Sepúlveda, D. (2016). Estimation of Energy Balance Management, 226, 105805. Components over a Drip-Irrigated Olive Orchard Using Torres-Rua, A. (2017). Vicarious Calibration of sUAS Thermal and Multispectral Cameras Placed on a Helicopter- Microbolometer Temperature Imagery for Estimation of Based Unmanned Aerial Vehicle (UAV) Radiometric Land Surface Temperature. Sensors, 17(7), 1499. Ouda, S., & Zohry, A. E. H. (2022). Water-Smart Practices to Wei, G., Cao, J., Xie, H., Xie, H., Yang, Y., Wu, C., Cui, Y., & Luo, Y. Manage Water Scarcity. En S. Ouda & A. E.-H. Zohry, Climate- (2022). Spatial-Temporal Variation in Paddy Smart Agriculture (pp. 3-26). Springer International Evapotranspiration in Subtropical Climate Regions Based on Publishing. the SEBAL Model: A Case Study of the Ganfu Plain Irrigation Pintér, K., & Nagy, Z. (2022). Building a UAV Based System to System, Southern China. Remote Sensing, 14(5), 1201. Acquire High Spatial Resolution Thermal Imagery for Energy Wei, J., Cui, Y., & Luo, Y. (2023). Rice growth period detection and Balance Modelling. Sensors, 22(9), 3251. paddy field evapotranspiration estimation based on an Porras, R., Ramos, L., Ojeda, W., & Ontiveros, R. (2020). improved SEBAL model: Considering the applicable Performance assessment of the AquaCrop model to estimate conditions of the advection equation. Agricultural Water rice yields under alternate wetting and drying irrigation in the Management, 278, 108141. coast of Peru. Scientia Agropecuaria, 11(3), 309 – 321. Yu, Q., Cui, Y., Han, H., & Liao, B. (2023). Modelling water Quille, J., Ramos-Fernández, L., & Ontiveros, R. (2021). Estimación consumption and nitrogen loss in paddy fields with an de la evapotranspiración del cultivo de arroz en Perú improved ORYZA model. Field Crops Research, 292, 108828 mediante el algoritmo METRIC e imágenes RPA. Asociación Zobeidi, T., Yaghoubi, J., & Yazdanpanah, M. (2022). Farmers’ Española de Teledetección, 58, 23-38. incremental adaptation to water scarcity: An application of Rahman, M. M., Hasan, S., Ahmed, Md. R., & Adham, A. K. M. the model of private proactive adaptation to climate change (2022). Recycling deep percolated water in continuously (MPPACC). Agricultural Water Management, 264, 10752. flooding irrigated rice fields to mitigate water scarcity. Paddy and Water Environment, 20, 449–466. -21-