IGhuqujb

UNIVERSIDAD NACIONAL DE SAN AGUSTÍN DE AREQUIPA
FACULTAD DE AGRONOMÍA
CARATULA
DETERMINACIÓN DEL ESTRÉS HÍDRICO EN EL CULTIVO DE VID (Vitis
vinífera) VAR. RED GLOBE MEDIANTE EL USO DE IMÁGENES
MULTIESPECTRALES BAJO CONDICIONES DE MAJES –AREQUIPA
TESIS PRESENTADA POR EL BACHILLER:
JOHN BRYAN HUANCAHUIRE QUISPE
PARA OPTAR EL TITULO PROFESIONAL DE:
INGENIERO AGRÓNOMO
ASESOR:
ING. DENNIS GEOFFREY MACEDO
VALDIVIA
AREQUIPA – PERÚ
2021
JURADO DICTAMINADOR
____________________________________
ING. JOSE LUIS BUSTAMANTE MUÑOZ
PRESIDENTE
_________________________________ _______________________________
ING. DENNIS MACEDO VALDIVIA ING. LUIS CUADROS FERNÁNDEZ
INTEGRANTE SECRETARIO
___________________________________________
BACH. JOHN BRYAN HUANCAHUIRE QUISPE
TESISTA
DEDICATORIA
A mis padres por siempre creer en mi a pesar de las
muchas dudas que tenía y su apoyo moral que nunca me
falto, a mi asesor por apoyar el proyecto en la que la
mayoría dudo desde un inicio, tambien se lo dedico a
todos los que me alentaron a continuar y mis amigos
que solo escucharon mis ideas.

AGRADECIMIENTO
AGRADEZCO A la Universidad Nacional de San Agustín en
donde realicé mi formación académica y que gracias a esto me
permitió terminar mi carrera y desarrollarme profesionalmente.
A MI ASESOR ING. DENNIS MACEDO VALDIVIA por su
tiempo, dedicación y asesorías para orientar la presente tesis.
AL ING SHEIBER BALLADARES ABARCA por el material,
conocimientos compartidos, apoyo y ayuda en la realización y
culminación de la presente tesis.
AL ING. CARLOS OLAZABAL quien me facilitó los accesos al
fundo “La Católica” para la realización de mi proyecto de tesis.
AL ING. HUMBERTO JOSÉ STRETZ CHÁVEZ quien me facilito
el campo experimental para la realización de la presente tesis.
AL ING. JOSE FLORES MAYORI quien me facilito las
Instalaciones del laboratorio de suelos de la Universidad para la
realización de la presente tesis.

ÍNDICE GENERAL
I. CAPÍTULO I .................................................................................................................. 1
1. INTRODUCCIÓN ................................................................................................... 1
1.1 Objetivo General: .................................................................................................... 3
1.2 Objetivos Específicos: ............................................................................................. 3
II. CAPITULO II ............................................................................................................. 4
2. Revisión bibliográfica.............................................................................................. 4
Origen y evolución histórica de los Drones............................................................. 4
Taxonomía de la vid ................................................................................................ 5
Morfología y organografía de la vid ........................................................................ 6
Sistema radicular de la vid....................................................................................... 6
Tronco, brazos, pámpanos y sarmientos de la vid ................................................... 7
Hojas y yemas de la vid ........................................................................................... 9
Zarcillos, inflorescencias y flores de la vid ........................................................... 10
Bayas y racimos de la vid ...................................................................................... 11
Fenología de la uva ................................................................................................ 12
2.7.1 Ciclo vegetativo interanual ................................................................................ 12
2.7.2 Ciclo vegetativo anual........................................................................................ 13
2.7.3 Lloro ................................................................................................................... 13
2.7.4 Brotación ............................................................................................................ 13
2.7.5 Crecimiento vegetativo (Desarrollo y crecimiento de pámpanos) ..................... 14
2.7.6 Penduleo (Formación de yemas latentes y su fertilidad) ................................... 16
2.7.7 Floración y fecundación ..................................................................................... 17
2.7.8 Cuajado .............................................................................................................. 19
2.7.9 Crecimiento de baya (desarrollo de bayas) ........................................................ 20
Agricultura de precisión ..................................................................................... 21

Bandas Espectrales............................................................................................. 27
Índice de Vegetación de Diferencia Normalizada (NDVI) ................................ 30
Índice de Agua de Diferencia Normalizada (NDWI) ........................................ 32
III. CAPITULO III .......................................................................................................... 34
3. Materiales y Métodos ............................................................................................ 34
3.1 Material .................................................................................................................. 34
3.1.1 Material en Campo ............................................................................................. 34
 Sensores de Humedad ............................................................................................... 34
 VANT o UAV ........................................................................................................... 34
 Cámara Multiespectral .............................................................................................. 35
 Software: ................................................................................................................... 35
4. METODOS ............................................................................................................ 37
4.1 Área de estudio ...................................................................................................... 37
4.2 Ubicación de las plantas ........................................................................................ 39
4.3 Humedad de hojas ................................................................................................. 39
4.4 Área Foliar ............................................................................................................. 40
4.5 Muestreo de Sensores ............................................................................................ 41
4.6 Imágenes Multiespectrales .................................................................................... 41
4.7 Análisis en ArcGIS ................................................................................................ 46
IV. CAPITULO IV .......................................................................................................... 49
5. Resultados y discusiones ....................................................................................... 49
5.1 Índice de Vegetación de Diferencia Normalizada (NDVI): .................................. 49
5.2 Índice de Agua de Diferencia Normalizada (NDWI): ........................................... 51
5.3 Índice de Vegetación Mejorado (EVI) .................................................................. 53
5.4 Índice de Reflectancia en Absorción de Clorofila Transformada (TCARI) .......... 56
5.5 Humedad de hojas ................................................................................................. 58

5.6 Humedad de suelo ................................................................................................. 60
5.7 Área foliar. ............................................................................................................. 62
V. Capítulo V ................................................................................................................. 64
6. Conclusiones .......................................................................................................... 64
7. Recomendaciones .................................................................................................. 65
8. BIBLIOGRAFIA ................................................................................................... 66
9. ANEXOS ............................................................................................................... 73
ÍNDICE DE TABLAS
Tabla 1 Características de Multicóptero DJI modelo 3DR Solo ........................................ 34
Tabla 2 Categorías de Clasificación no Supervisada ......................................................... 47
Tabla 3 Comparación de ecuaciones de NDVI de la zona 1, zona 2 y zona 3 ................... 49
Tabla 4 Comparación de ecuaciones de NDWI en la zona 1, zona 2 y zona 3 .................. 51
Tabla 5 Comparación de ecuaciones de EVI en zona 1, zona 2 y zona 3 .......................... 54
Tabla 6 Comparación de ecuaciones de TCARI en zona 1, zona 2, y zona 3 .................... 56
Tabla 7 Ecuación de Relación curvilínea de humedad de la hoja ...................................... 58
Tabla 8 Comparación de ecuaciones de Relación Curvilínea para Humedad de Suelo,

Humedad con Sensor a 25 centímetros y Humedad con Sensor a 50 centímetros de profundidad
.................................................................................................................................................. 60
Tabla 9 Ecuación de relación curvilínea de Área de hojas................................................. 62
Tabla 10 Especificaciones de Cámara MicaSense RedEdge ............................................. 75
Tabla 11 Análisis de regresión curvilínea de ndviz1 ......................................................... 90
Tabla 14 Análisis de regresión curvilínea de ndwz1.......................................................... 92
Tabla 17 Análisis de regresión curvilínea de eviz1............................................................ 94
Tabla 20 Análisis de regresión curvilínea de tcariz1 ......................................................... 95
Tabla 23 Análisis descriptivo de las variables ................................................................... 97

Tabla 24 Cuadro de correlaciones entre el NDVI, NDWI y humedades evaluadas de suelo
y hoja en la vid para el periodo de junio-agosto de 2018 ........................................................ 97
Tabla 25 Valores Promedio por zona del vuelo de 13 de junio de 2018............................ 98
Tabla 26 Valores Promedio por zona del vuelo de 28 de junio de 2018.......................... 100
Tabla 27 Valores Promedio por zona del vuelo de 07 de julio de 2018 .......................... 101
Tabla 28 Valores Promedio por zona del vuelo de 26 de julio de 2018 .......................... 102
Tabla 29 Valores Promedio por zona del vuelo de 10 de agosto de 2018 ....................... 103
Tabla 30 Valores Promedio por zona del vuelo de 22 de agosto de 2018 ....................... 104
Tabla 31 Valores Promedio por zona del vuelo de 05 de septiembre de 2018 ................ 105
Tabla 32 Valores Promedio por zona del vuelo de 20 de septiembre de 2018 ................ 106
Tabla 33 Valores Promedio por zona del vuelo de 05 de octubre de 2018 ...................... 107
Tabla 34 Valores Promedio por zona del vuelo de 18 de octubre de 2018 ...................... 108
Tabla 35 Valores Promedio por zona del vuelo de 07 de noviembre de 2018 ................. 109
Tabla 36 Valores Promedio por zona del vuelo de 22 de noviembre de 2018 ................. 110
Tabla 37 Valores de Humedad de suelo, Hojas y área foliar del mes junio de 2018 ....... 111
Tabla 38 Valores de Humedad de suelo, Hojas y área foliar del mes julio de 2018 ........ 112
Tabla 39 Valores de Humedad de suelo, Hojas y área foliar del mes agosto de 2018 ..... 113
Tabla 40 Valores de Humedad de suelo, Hojas y área foliar del mes septiembre de 2018
................................................................................................................................................ 114
Tabla 41 Valores de Humedad de suelo, Hojas y área foliar del mes octubre de 2018 ... 115
Tabla 42 Valores de Humedad de suelo, Hojas y área foliar del mes noviembre de 2018
................................................................................................................................................ 116
ÍNDICE DE FIGURAS
Figura 1 Crecimiento del Pámpano de la vid. .................................................................... 15
Figura 2 Polinización de la Flor y Germinación del grano de polen. ................................ 19
Figura 3 Componentes de un Sistema de Teledetección .................................................... 22
Figura 4 Elementos que Integran la Agricultura de Precisión ........................................... 24
Figura 5 Firma espectral de distintas coberturas terrestres ................................................ 29
Figura 6 Respuesta Espectral de la Vegetación Lopez 2014 ............................................. 32
Figura 7 Software usado .................................................................................................... 36
Figura 8 Ubicación de Pedregal (Fuente Google Maps) .................................................... 37
Figura 9 Localización de la parcela (Fuente Google Earth) .............................................. 38
Figura 10 Parcela de uva Red Globe (Zona de estudio) .................................................... 38
Figura 11 Software CompuEye LSA ................................................................................. 40
Figura 12 Recorrido del vuelo realizado por el VANT ..................................................... 42
Figura 13 Subida de fotos al software Pix4D .................................................................... 43
Figura 14 Procesamiento de las imágenes para generar ortomosaico en Pix4D ................ 44
Figura 15 Procesamiento de imágenes en software ArcGIS .............................................. 46
Figura 16 Clasificación no supervisada del vuelo del 22 de noviembre del 2018 ............. 48
Figura 17 Relación curvilínea entre tiempo(semanas) y NDVI ......................................... 51
Figura 18 Relación curvilínea entre tiempo en semanas por NDWI ................................. 53
Figura 19 Relaciones curvilíneas entre tiempo(semanas) por EVI .................................... 55
Figura 20 Relaciones curvilíneas entre tiempo(semanas) y TCARI .................................. 57
Figura 21 Relación curvilínea entre el tiempo(semanas) por humedad de hoja(porcentaje)

.................................................................................................................................................. 59
Figura 22 Relaciones curvilíneas entre tiempo(semanas) por humedad de suelo (porcentaje)

.................................................................................................................................................. 61
Figura 23 Relación curvilínea entre tiempo(semanas) por Área Foliar(cm²) .................... 63

Figura 24 Circuito interno de sensor de humedad ............................................................. 73
Figura 25 Sensor ensamblado con aislante para enterrado en el suelo .............................. 74
Figura 26 Multicóptero 3DR Solo ..................................................................................... 74
Figura 27 Cámara MicaSense RedEdge ............................................................................. 75
Figura 28 Pesado de muestras en laboratorio para análisis de humedad ........................... 76
Figura 29 Medición de humedad mediante sensores y computador en campo .................. 76
Figura 30 Mapa de NDVI con clasificación no supervisada del 13 de junio del 2018 ...... 77
Figura 31 Mapa de NDVI con clasificación no supervisada del 12 de julio del 2018 ....... 78
Figura 32 Mapa de NDVI con clasificación no supervisada del 10 de agosto del 2018.... 79
Figura 33 Mapa de NDVI con Clasificación no supervisada del 20 de septiembre del 2018.
.................................................................................................................................................. 80
Figura 34 Mapa de NDVI con Clasificación no supervisada del 18 de octubre del 2018. 81
Figura 35 Mapa de Clasificación no supervisada del 22 de noviembre del 2018. ............. 82
Figura 36 Mapa de NDWI con clasificación no supervisada del 13 de junio del 2018 ..... 83
Figura 37 Mapa de NDWI con clasificación no supervisada del 12 de julio del 2018 ...... 84
Figura 38 Mapa de NDWI con clasificación no supervisada del 26 de julio del 2018 ...... 85
Figura 39 Mapa de NDWI con clasificación no supervisada del 22 de agosto del 2018 ... 86
Figura 40 Mapa de NDWI con clasificación no supervisada del 20 de septiembre del 2018
.................................................................................................................................................. 87
Figura 41 Mapa de NDWI con clasificación no supervisada del 18 de octubre del 2018 . 88
Figura 42 Mapa de NDWI con clasificación no supervisada del 22 de noviembre del 2018
.................................................................................................................................................. 89
RESUMEN
La presente investigación se realizó en el fundo La Católica ubicado en la zona de Majes
Pedregal, provincia de Caylloma de la región Arequipa, desde marzo hasta diciembre del
2018. El objetivo del trabajo fue determinar el contenido de humedad del suelo y en la
hoja, mediante el uso de imágenes multiespectrales tomadas por vehículos aéreos no
tripulados (VANT). Los vuelos fueron realizados con un drone multirotor cuadrocóptero,
equipado con una cámara multiespectral para sacar los índices NDVI y NDWI. El
proceso de los datos se realizó con la ayuda de ordenadores. Los resultados de contenido
hídrico de la planta y suelo fueron analizados mediante regresión curvilínea hasta el
momento de cosecha. Las evaluaciones mostraron que a medida que transcurrió el tiempo
(semanas), los valores del Índice de Vegetación de Diferencia Normalizada (NDVI) se
incrementaron hasta la semana final de julio para luego descender hasta la primera
semana de noviembre, de igual manera el Índice de Agua de Diferencia Normalizada
(NDWI) redujo su valor hasta la semana final de julio para luego ascender hasta la
primera semana de noviembre. Las conclusiones a las que se llegaron con el presente
trabajo fueron que mediante clasificación no supervisada se clasifico 4 categorías: suelo
seco, suelo húmedo, planta con estrés planta sin estrés. Que el modelo de regresión
curvilínea es un excelente predictor teniendo un 92.07 % de confiabilidad en el caso del
NDWI.
Palabras Clave: Índice de Vegetación de Diferencia Normalizada (NDVI), Índice de
Agua de Diferencia Normalizada (NDWI), uva, Vehículo Aéreo no Tripulado (VANT)

ABSTRACT
This research was carried out at the La Católica farm located in the Majes Pedregal area,
Caylloma province of the Arequipa region, from March to December 2018. The objective of
the present work was to determine the soil moisture content and through the use of multispectral
images taken by unmanned aerial vehicles (UAVs). The flights were carried out with a
quadcopter multirotor drone, equipped with a multispectral camera to obtain the NDVI and
NDWI indices. The data processing was carried out with the help of computers. The results of
water content of the plant and soil were analyzed by curvilinear regression until the moment of
harvest. The evaluations showed that as time (weeks) passed, the values of the Normalized
Difference Vegetation Index (NDVI) increased until the final week of July and then decreased
until the first week of November, in the same way the Normalized Difference Water Index
(NDWI) reduced its value until the final week of July and then rose until the first week of
November. The conclusions reached with the present work were that 4 categories were
classified by unsupervised classification: dry soil, wet soil, plant with stress, plant without
stress. That the curvilinear regression model is an excellent predictor, having a 92.07%
reliability in the case of the NDWI.
Keywords: NDVI, NDWI, grape, UAV

CAPÍTULO I
1. INTRODUCCIÓN
La agricultura de precisión se fundamenta en la aplicación de técnicas y estrategias que
están georreferenciadas con el fin de optimizar los recursos y obtener mejores
rendimientos utilizando varias estrategias dentro de las diferentes variaciones presentes
en el campo. Las imágenes de satélite de alta resolución se utilizan ahora con más
frecuencia para estudiar estas variaciones en cuanto a las condiciones del cultivo y suelo.
Las imágenes que se adquieren de plataformas de teledetección de baja altitud, o de las
unidades aéreas no tripuladas (UAS), son una alternativa potencial dado su bajo costo de
adquisición, alta resolución espacial y temporal (Aber, Aaviksoo, Karofeld, & Aber,
2002)
Berni et al (2009), considera que los UAV/RPAS vienen a cubrir las limitaciones que
actualmente tienen los satélites y aviones en el manejo de los cultivos en tiempo real,
como son la falta de imágenes con resolución espacial y espectral optimas y una mejora
con la capacidad de revisita necesaria para detectar determinados problemas que afectan
al desarrollo de los cultivos, como: Manejo eficiente del agua, Tratamiento localizado de
herbicidas, Uso óptimo de fertilizantes, Conteo de plantas, Supervisión de áreas
fumigadas, Detección temprana de plagas y enfermedades en los cultivos.
1
1.1 Problemática
Resulta importante suministrar a los cultivos agua en la cantidad necesaria para que
puedan desarrollarse de forma óptima. Sin embargo, pese a los avances en cuanto a
infraestructura y métodos de riego aún se presenta casos de exceso o deficiencia hídrica
en los campos agrícolas. Uno de estos factores que contribuyen a esta problemática es el
hecho de no realizar un adecuado control y supervisión de la humedad del suelo para
planificar el tiempo y periodo de riegos.
En el presente proyecto se busca usar las imágenes multiespectrales mediante el uso de
un vehículo aéreo no tripulado (VANT) multirotor como una herramienta útil para
determinar puntos de estrés hídrico en el cultivo de la uva de mesa, donde el sistema
propuesto busca poder validar la herramienta para uso a futuro para la toma de decisiones
en el campo y afrontar mejor el cambio climático, dando la herramienta para la
optimización de los sistemas de riego. Los vuelos se realizaron cada dos semanas
aproximadamente con multicóptero acoplado con una cámara multiespectral Parrot
sequoia de 5 bandas, junto con la obtención de muestras de hojas y suelo para hacer las
comparaciones de humedades en laboratorio con los índices NDVI, NDWI, TCARI y EVI
obtenidos mediante las imágenes multiespectrales del campo experimental de la
Universidad Católica de Santa María en Uva (Vitis vinífera l.) var. Red Globe.
2
1.2 Objetivo General:
 Determinar el contenido de Humedad del Suelo mediante imágenes
multiespectrales tomadas por drones en el cultivo de vid (Vitis vinifera) variedad
Red Globe.
1.3 Objetivos Específicos:
 Determinar los niveles Digitales (ND) obtenidos en las cuatro longitudes de onda
Roja, Verde, Borde Rojo, Infrarrojo cercano.
 Determinar el índice diferencial de agua normalizado.
 Determinar la correlación entre el NDWI y el contenido de agua en el suelo.
 Determinar la correlación entre el NDWI y el contenido de agua en hojas.
3
CAPITULO II
2. Revisión bibliográfica
Origen y evolución histórica de los Drones
Al igual que la mayoría de tecnologías su origen surge con fines militares y
posteriormente fueron liberados para uso civil, y es allí donde se ve una ventana de
utilidad para la agricultura.
En lo que se refiere a Vehículo Aéreo no Tripulado (VANT) se inicia el 22 de agosto de
1984, donde se registra que el ejército Austriaco utilizo por primera vez globos, cuya
carga útil eran explosivos que detonaron en un ataque a la ciudad de Venecia. Los globos
eran lanzados desde una plataforma marítima con la finalidad de explotar cuando
estuvieran sobre la ciudad liberando de los explosivos de forma vertical. Avanzando hacia
1920 la Navy Royal retoma el interés por las UAV y desarrolla un monoplano, que realizó
su primer vuelo en 1927. Aunque se construyeron 12 unidades, solo 5 fueron voladas en
el desierto de Irak llevando a bordo carga militar. Atravesando por la segunda guerra
mundial Gran Bretaña decide realizar 420 modelos radio controlados de un blanco al que
llamaron “Queen bee” entre 1934 y 1943, los cuales fueron utilizados para entrenar las
fuerzas de artillería. Por su parte Estados Unidos produjo para entrenamiento de sus
fuerzas armadas millares de sistemas denominados “RP4” en los que se implementó el
uso de control remoto por radio.
Década a década los UAS (Sistemas Aéreos no tripulados) fueron evolucionando con el
surgimiento de nuevas tecnologías, que permitieron incorporar sensores de mayor
precisión, sistemas de posicionamiento, así como materiales que permitieron diseños más
livianos y aerodinámicos. Las aeronaves perfeccionaron sistemas de despegue y aterrizaje
4
adaptándose a situaciones más hostiles logrando hacerlo de forma completamente vertical
lo que permite suprimir las plataformas. En materia de control también se muestran
grandes avances hasta conseguir realizar vuelos completamente autónomos. Hace varios
años el uso de vehículos aéreos dejaron de ser exclusivos de uso militar y cumplen
diversas tareas en el ámbito civil, en las que se puede destacar la geología, agricultura,
minería, seguridad entre otros. (Aguilar, s.f.) (Bonelli, 2014).
Taxonomía de la vid
Reino: vegetal
Agrupación: Cormofitas
Tipo: Fanerógamas
Subtipo: Angiospermas
Clase: Dicotiledóneas
Subclase: Dialipétalas
Orden: Ramnales
Familia: Vitáceas
Género: Vitis
Especie: Vitis vinífera l.
Cultivar: Red globe
(Hidalgo, 2011)
5
Morfología y organografía de la vid
La planta de vid cultivada en explotaciones agrarias está compuesta por dos individuos,
uno constituye el sistema radical (Vitis spp. del grupo americano, en su mayoría),
denominado portainjerto, pie o patrón y, otro la parte aérea (Vitis vinífera L.), denominada
púa o variedad. Esta última constituye el tronco, los brazos y los pámpanos que portan las
hojas, los racimos y las yemas. La unión entre ambas zonas se realiza a través del punto
de injerto. El conjunto es lo que conocemos con el nombre de cepa. (Martínez de Toda,
1991; Almanza, 2011; citado por Yanarico, 2018).
Sistema radicular de la vid
Según Hidalgo (2002), la raíz tiene, en primer lugar, un papel puramente mecánico, ya
que fija la planta en el suelo. Además, las raíces respiran; absorben el oxígeno en el aire
o disuelto en el agua que circula entre los intersticios de la tierra, y exhalan anhídrido
carbónico, contribuyendo, con esa combustión, a proporcionar a la planta la energía
necesaria. Las raíces de la cabellera absorben por sus pelos (radicales) el agua y sustancias
minerales contenidas en la tierra, dando lugar a la savia bruta.
La vid tiene un sistema denso de raíces, de crecimiento rápido y que se hace importante
con los años, por cumplir con las funciones básicas de anclaje, absorción de agua y
elementos minerales y por ser un órgano de acumulación de reservas. En sus tejidos se
depositan numerosas sustancias de reserva, principalmente almidón, que sirve para
asegurar la brotación después del reposo. La raíz tiene un periodo inicial de extensión o
colonización del suelo (7 a 10 años), luego un periodo de explotación del suelo (10 a 40
años), y finalmente un periodo de decadencia a partir de los 50 años. (Martínez de Toda,
1991).
6
Tronco, brazos, pámpanos y sarmientos de la vid
En la parte aérea de la vid distinguimos el tronco o brazos más o menos largos (que
pueden faltar en vides podadas a “cabeza de mimbrera”), pulgares o varas, que no son
sino trozos de ramos formados del año anterior, y los pámpanos o ramos herbáceos del
año, que por su agostamiento en la otoñada se convierten en sarmientos, con sus hojas,
zarcillos y racimos (de flor y más tarde de frutos). (Hidalgo, 2002).
La viña en estado espontáneo es una liana, gracias a sus tallos sarmentosos y a sus
zarcillos que cuando encuentran un soporte o tutor se enroscan en él y trepan en busca de
la luz. El tronco, brazos, pámpanos y sarmientos, junto con las hojas, flores, zarcillos y
frutos conforman la parte aérea de la vid. El tronco puede estar más o menos definido
según el sistema de formación. La altura depende de la poda de formación, estando
normalmente comprendida entre los 0,20 a 0,40 m, en uvas para elaboración de vino
(sistema guyot simple y cordón doble o royat) y entre 1,80 a 2,0 m, en caso de uva de
mesa (sistema parral). El diámetro puede variar entre 0,10 y 0,30 m. Es de aspecto
retorcido, sinuoso y agrietado, recubierto exteriormente por una corteza que se desprende
en tiras longitudinales. Lo que coloquialmente hablando se conoce como corteza,
anatómicamente corresponde a diferentes capas de células que son, del interior al exterior,
periciclo, líber, súber, parénquima cortical y epidermis. El conjunto se denomina ritidoma
(Martínez de Toda, 1991). El ritidoma se renueva anualmente debido a la actividad de
una capa llamada felógeno, formada a partir de la diferenciación de células del periciclo
desde el mes de agosto, que genera todos los años súber hacia el exterior y felodermis
hacia el interior.
Las estructuras del tronco y de los brazos son análogas a las de los pámpanos, y difieren
poco de la expuesta para las raíces. Sus funciones, aparte de la respirar, son las de soportar
7
los sarmientos, los pámpanos con sus yemas, hojas, racimos y zarcillos, y servir con su
sistema de vasos (de madera y cribosos), para conducir savia bruta a los órganos verdes,
y una vez transformada en savia elaborada, nutrir toda la planta. De la misma manera que
en la raíz, el ascenso de la savia bruta se verifica por los vasos de madera, y el descenso
de la elaborada por los cribosos del líber. (Hidalgo, 2002)
Los brotes en la vid se llaman pámpanos, engruesan en regiones en las que precisamente
se injertan hojas, yemas, zarcillos y, en su caso, racimillos de flor, que más tarde se
convertirán en racimos de fruto(uva). A este engrosamiento se le denomina nudo; y las
proporciones comprendidas entre dos de estas se llaman entrenudos. (Hidalgo, 2002).
Los pámpanos que nacen en el mismo año sobre otro pámpano, anteriormente formado,
nietos o hijuelos, tienen los entrenudos largos desde su base, acortándose hacia su punta
o extremo. Los que nacen de yemas dormidas sobre madera vieja (brazos y tronco),
llamados esperguras o chupones, tienen tambien los entrenudos largos desde su inserción,
y su longitud decrece, igualmente, hacia la extremidad. Mientras crecen los pámpanos, su
extremo constituye un vértice vegetativo o de crecimiento, que muere al agostarse y por
desaparición accidental o intencionada (despunte), quedando asegurado el crecimiento
posterior durante el mismo año, por los nietos, y del año siguiente por las yemas latentes.
Todo ello supone la ramificación de estos órganos. (Hidalgo, 2002). El nudo se inserta en
las hojas, las yemas u ojos, los racimos y los zarcillos, cuando los hay del modo siguiente:
Las hojas se insertan en los nudos por sus rabillos o peciolos, alternativamente opuestas
(divergencia de 180°), y, por tanto, están situadas en un plano que pasa por el eje del
pámpano.
Los zarcillos, o bien los racimillos de flor, nacen tambien en el nudo, pero en el lugar
opuesto a la inserción de las hojas.
8
Hojas y yemas de la vid
Las hojas están compuestas por un rabillo o un peciolo y un ensanchamiento en lámina,
llamado limbo, surcado por nervaduras de diferentes órdenes. El limbo es la parte más
importante de la hoja. Su aspecto es laminar pentalobulado, con cinco nervios principales,
cinco senos y cinco lóbulos dentados. Las hojas pueden tener varias formas; cuneiformes,
cordiformes, pentagonales, orbiculares y reniformes, distinguiéndose en las mismas;
lóbulo lateral, lóbulo terminal, seno peciolar, senos laterales, nervio central y nervios
laterales. Si se hace un corte transversal en el limbo se distingue: la epidermis superior
del haz, cutinizada y con pocas estomas; la epidermis inferior del envés, menos cutinizada
y con muchos estomas, y entre ambas epidermis el mesófilo. (Hidalgo, 2002).
Las funciones en las hojas son de gran complejidad, pues en ellas los elementos minerales
absorbidos por el sistema radicular, constituyendo la savia bruta, se transforma en savia
elaborada que nutrirá a todos los órganos de la planta, a través de los vasos liberianos.
Por ello a la hoja se le denomina el “laboratorio de la planta”. Comprende la asimilación
clorofílica o fotosíntesis, la respiración y la transpiración. La función clorofílica es la
elaboración de nutrientes a partir de elementos inorgánicos simples (anhídrido carbónico
y agua) utilizando para ello la energía proveniente de la luz. Esta energía es captada por
pigmentos verdes que se encuentran en las células de las hojas, los cloroplastos, los cuales
contienen clorofila, que es la encargada de combinar el anhídrido carbónico extraído del
aire y del agua proveniente del suelo extraído por las raíces, desprendiendo oxígeno. De
esta manera, y de dicha combinación, surgen los hidratos de carbono (azucares, almidón,
etc.). (Hidalgo, 2002).
La glucosa es el nutriente básico que surge del proceso descrito y a partir del mismo son
sintetizados todos los demás elementos, entre ellos las proteínas, grasas, etc., aunque
9
tambien es utilizada en forma directa. La glucosa que la planta no utiliza de inmediato da
lugar a otros hidratos de carbono, por ejemplo, la fructosa, que es uno de los azucares que
encontramos en la uva madura, o el almidón, elemento de reserva fundamental, asi como
tambien la celulosa integrante de los diversos tejidos de la cepa. (Hidalgo, 2002).
Todas las yemas de la vid están constituidas externamente por varias escamas, de color
pardo más o menos acentuado, recubiertos interiormente por abundante borra blanquecina
(lanosidad), las cuales protegen los conos vegetativos con su meristemo terminal que
asegura el crecimiento del pámpano y que no son otra cosa sino brotes en miniatura, con
todos sus órganos, tambien minúsculos: hojitas, zarcillos, racimillos de flor y bosquejo
de yemas. Las yemas latentes de la vid son raramente simples. En gran número de casos,
en una misma yema se encuentra varios conos vegetativos. El más importante o
primordial contiene, entre sus escamas, uno o dos conos vegetativos secundarios; a su
vez, entre las escamas de estos conos secundarios pueden insertarse otro u otros terciarios,
etc. Una yema, pues, puede contener uno, dos, tres, varios conos vegetativos, que
representan otros tantos brotes, con todos sus órganos en miniatura. La organización de
estos conos es tanto más simple cuando que su rango es más elevado, y asi, un cono
vegetativo de primer orden contiene de ordinario dos racimillos de flor; unos de segundo
orden tienen corrientemente uno; los de tercer orden no tienen ninguno. (Hidalgo, 2002).
Zarcillos, inflorescencias y flores de la vid
Las flores de la vid se agrupan como inflorescencias en racimo y su conformación se
realiza dentro de las yemas fértiles. Desde la aparición de las yemas fértiles en el pámpano
y en el interior de ellas, en sus conos vegetativos que crecen en la yema y el pámpano que
la sustente, para formar estas flores. Al año siguiente, al brotar dicha yema y originar el
pámpano correspondiente, se destacan de este los racimillos de flores (inflorescencias),
10
con la disposición peculiar de cada variedad de vid, con un eje del que parten
ramificaciones de segundo orden; de estas, otras de tercer orden, etc., y las ultimas son
pedunculillos o cabillos rotos, que se termina con la flor. Una flor hermafrodita (caso
general de las viníferas) está formada esencialmente: por el pedunculillo o cabillo,
conducto provisto de los sistemas vasculares por donde se conduce la savia bruta, y
principalmente la savia elaborada, precisa para el desarrollo y la madurez de las partes
perdurables de la flor, que, por el hecho de la fecundación, originan el grano de uva
(fruto); por el cáliz, por la corola, de pétalos soldados superiormente, constituyendo la
caliptra, de apertura ínfera; por los estambres, en número de cinco, compuestos de
filamento y anteras dobles, conteniendo los granos de polen, caedizas tambien tras
cumplirse la fecundación; y finalmente, por el pistilo, en forma de botella, cuya panza o
cavidad ovárica esta tabicada y contiene cuatro óvulos de placentación parietal. El cuello
de a botella, que se llama estilo, termina por una especie de ensanchamiento o boca,
llamado estigma, que segrega un líquido azucarado espeso. (Hidalgo, 2002).
Bayas y racimos de la vid
Cumplida la fecundación, aparece como resultado el granito de uva o baya, que engorda
rápidamente, y que está constituido por una película exterior, hollejo; una pulpa, que
rellena casi todo el grano; las pepitas y la prolongación de los canales del corto cabillo,
denominada pincel, por la que se efectúa el aflujo de savia que las alimenta a todas. El
hollejo o película exterior corresponde al epicarpio del fruto, y es frecuente que sobre el
mismo se encuentre una capa cérea denominada pruina. La pulpa corresponde al
mesocarpio del fruto, formado de células de gran tamaño, ricas en mosto, que rellena toda
la uva. Las pepitas, dentro de la pulpa y sin distinguirse de ella se sitúa el endocarpio del
fruto, que contiene las pepitas o semillas. Provienen de los óvulos fecundados, por lo que
11
hay un máximo de cuatro. El pincel es la propagación de los vasos conductores del cabillo
o pedicelo a través de los cuales se nutre la baya. (Hidalgo, 2002).
El origen de los zarcillos es el mismo de las inflorescencias, pudiéndosele considerar una
inflorescencia estéril. Los zarcillos ocupan la misma posición de aquellas, en un nudo del
pámpano y en el lado opuesto de la hoja, y bastante frecuentemente tienen varios botones
florales. La extremidad de los zarcillos libres se curva formando una especie de espiral
sobre sí mismo, pero cuando encuentra un soporte el costado frente a este se curva
enroscándose, consecuencia del desigual crecimiento de sus partes. En tanto el zarcillo
no se enrosca permanece verde, pero al hacerlo se lignifica intensamente, dando sujeción
al pámpano. (Hidalgo, 2002).
Fenología de la uva
La vid es una planta leñosa perenne, y asi como todos los cultivos perennes presenta dos
ciclos vegetativos: ciclo vegetativo interanual y ciclo vegetativo anual.
2.9.1 Ciclo vegetativo interanual
Según Hidalgo (2002), desde la plantación de la vid se distingue claramente cuatro
periodos en el ciclo vegetativo interanual, correspondiendo el primero al de crecimiento
y formación, en el que la planta se desarrolla para adquirir su forma de conducción adulta,
sin tener prácticamente producción, que sensiblemente se establece a los 3 años. El
segundo periodo corresponde al desarrollo de la planta, en esta llega a su forma adulta,
con producciones crecientes en cantidad y calidad, con duración de siete (7) o diez (10)
años, dependiente de las condiciones del medio, seguido del periodo productivo, en el
que se estabiliza la producción, con arreglo al potencia vegetativo, las posibilidades
intrínsecas de las plantas y los medios de producción que se le aplican, con una duración
de hasta cuarenta (40) años como máximo, a contar desde la plantación. Finalmente se
12
sitúa el periodo de envejecimiento o decrepitud, en el que se disminuyen sensiblemente
las producciones, aun cuando la calidad sigue un incremento atenuado.
2.9.2 Ciclo vegetativo anual
Cada año de su vida la uva recorre diferentes fases, que suceden en un orden constante y
cuyo conjunto forma el ciclo vegetativo. Empezando por el lloro y terminando en la
vendimia.
2.9.3 Lloro
Según Hidalgo (2002) es la primera manifestación externa de actividad en la planta,
después del reposo invernal, aparece el lloro que fluye por las heridas y cortes de poda, y
muestra el comienzo de la actividad del sistema radicular, por una activación de la
respiración celular, una recuperación de la absorción de agua y elementos minerales, asi
como la movilización de las reservas de la propia planta.
La cantidad de lloro derramada, siempre con un reducido contenido de materia seca uno
a dos gramos por litro (1-2 g/l), pudiendo llegar hasta los 5 litros. Los lloros cesan al
recubrirse los cortes y heridas con unas sustancias gomosas producidas por bacterias que
viven sobre el derrame, y sales disueltas en el lloro evaporado, obstruyendo los vasos
leñosos. (Hidalgo,2002)
2.9.4 Brotación
Comienza con la actividad de la raíz que después se manifiesta en toda la planta, moviliza
las reservas de savia elaborada acumulada en la misma, primero en los conos vegetativos
de las yemas, asi como en el cambium situado debajo de ellas, y después alcanza todo el
13
nudo y entrenudos. La yema se hincha porque hay desarrollo de los conos vegetativos que
hay en su interior, luego el hinchamiento da lugar al brote.
La yema por crecimiento del cono o conos que encierra, se hincha hasta la separación de
las escamas que las recubren, apareciendo la borra, y a continuación los órganos verdes.
Todas las yemas de una planta no brotan al mismo tiempo, sino que lo hacen las ultimas
de los pulgares o varas mal arqueadas, denominadas delanteras, característica que se
conoce como acrotonia. Su desarrollo trae como consecuencia retrasar e incluso llegar a
impedir la brotación de las yemas más próximas a la base por inhibición correlativa.
2.9.5 Crecimiento vegetativo (Desarrollo y crecimiento de
pámpanos)
A partir del brote, la vid desarrolla los órganos que en miniatura se encuentran en los
conos vegetativos y crea otros órganos nuevos: raíces, yemas, nietos y racimillos de los
mismos, etc. El crecimiento de unos y otros se verifica en longitud y grosor. En su primera
edad, y hasta fecha bien avanzada, a costa de las reservas, y más tarde, cuando entra en
funcionamiento las hojas, son nutridos por la savia elaborada por esta. Tal crecimiento
continuo hasta que un sin número de circunstancias determinan su cese. (Hidalgo, 2011).
El desarrollo de los pámpanos se debe a la actividad sumatoria del meristemo terminal de
las yemas latentes y de las primicias de entrenudos, hojas, zarcillos y racimos que
contienen, comenzando por el de los entrenudos existentes, produciendo simultáneamente
14
aquellas nuevas células que se diferencian en los siguientes órganos del pámpano. El
crecimiento es resultado de dos procesos fisiológicos distintos:
 Proliferación o multiplicación celular (meresis) que tiene lugar en los meristemos
terminales, donde se forman las células nuevas.
 Extensión o alargamiento celular (aurexis) que los hace crecer y no se produce
más que una cierta distancia meristemática.
Figura 1 Crecimiento del Pámpano de la vid.
Nota: Adaptado de Tratado de la Viticultura (p.212) citado por Hidalgo 2011 de A.
Reynier 2002.
1. Al principio el crecimiento del pámpano joven se hace a expensas de las reservas
de la planta.
2. Las hojas adultas exportan sustancias fotosintéticas hacia los órganos
consumidores jóvenes: hojas jóvenes e inflorescencias.
15
3. Después de la parada de crecimiento y hasta la vendimia, el sarmiento tiene hojas
adultas que exportan estas sustancias hacia las partes vivaces: racimos y hojas viejas de
la base.
4. Después de la vendimia, la totalidad de las hojas adultas exportan sustancias
fotosintéticas hacia las hojas viejas de la base del sarmiento y sobre todo a la madera vieja
de la vid, formando y acumulando las sustancias de reserva.
2.9.6 Penduleo (Formación de yemas latentes y su fertilidad)
Como premisa que tiene una importancia capital para el desarrollo de la cepa, indicaremos
que los racimillos de flores (inflorescencias) en las yemas latentes tienen su iniciación y
desarrollo en el ciclo precedente al de su brotación, comenzando por las yemas de la base
del pámpano para progresar gradualmente hacia la sumidad. Aparecen los conos
vegetativos en el curso de su formación durante la fase de crecimiento de la vid, y
perfeccionan su organización formándose los esbozos de las hojas, de los zarcillos y de
las inflorescencias en esta fase de pre dormición que finaliza con la parada de crecimiento
de los pámpanos. Las yemas tienen la facultad potencial de desarrollarse, pero quedan en
reposo por la influencia hormonal inhibidora de la yema terminal o vértice vegetativo de
crecimiento del pámpano principal y de los nietos. La entrada de las yemas en la fase de
dormición, perdiendo en dos o tres semanas la facultad de brotar, coincide con la parada
de crecimiento de los pámpanos y el comienzo del agostamiento, permaneciendo
dormidas por la acción del ácido abcísico, hormona vegetal emitida por las raíces y hojas
adultas (Hidalgo, 2011).
Al iniciarse la formación de las yemas en las axilas de las hojas, son todas idénticas y sin
racimos, permaneciendo en esta forma hasta que la vid tiene bien adelantado su
16
desarrollo, cuando el pámpano reduce apreciablemente su crecimiento, en cuyo momento
crítico puede en algunas comenzar a producirse su diferenciación para pasar a ser
fructífera, o bien evolucionar hasta un zarcillo. (Hidalgo, 2011)
2.9.7 Floración y fecundación
Según Reynier, la fertilidad de las yemas representa la exteriorización de su iniciación
floral, resultado de factores externos y factores ligados a la planta. Es el resultado de dos
fenómenos distintos:
 La inducción floral, que es el fenómeno fisiológico de la percepción de estímulos
que determinan la diferencia de un meristemo hacia la constitución de una inflorescencia.
 La iniciación floral, propiamente dicha, que es el fenómeno morfológico de la
diferenciación de la inflorescencia y las flores.
La floración se produce, cuando las temperaturas medias de los días rebasan los 15 o16
grados, la corola se abre, regularmente, a partir de su inserción con el cáliz, y estambres
y pistilos maduran. Sobreviene seguidamente la caída de gránulos de polen sobre la
superficie rugosa del estigma, y gracias al líquido azucarado que este segrega, germinan,
emitiendo los tubos polínicos que se alargan, y bajando por el cuello hasta la cavidad
ovárica, llegan a los óvulos, realizando la fecundación. Entonces los óvulos fecundados
17
crecen y estimulan el desarrollo de las partes del ovario que llega a constituir el granito
de uva o baya (Hidalgo, 2002).
La iniciación de las inflorescencias (iniciación inflorescencial) comienza el año anterior
con la aparición de las inflorescencias, en las yemas de la base y progresando
gradualmente hacia la extremidad. Al inicio se produce la iniciación de tres a cinco
esbozos de hojas, después la de las inflorescencias y la de sus hojas opuestas. La
iniciación de las flores comienza en la primavera siguiente, algunos dias antes del
desborre, formando las ramificaciones del racimo de orden 2 y 3 y prosigue hasta la
floración diferenciando los órganos de los botones florales. (Reynier, 2002). La floración
corresponde a la expansión de la flor por la apertura (dehiscencia) de la corola, que se
deseca y cae.
No todas las flores de un racimo y, en consecuencia, de una parcela, se abren al mismo
tiempo, la floración se escalona de diez a quince dias. La dehiscencia del capuchón y su
caída están favorecidas por la insolación y el calor (mínimo de 15 °C).
La polinización es la liberación y transporte de polen.
La fecundación en la vid se trata de una doble fecundación, la de la oosfera y la de los
núcleos polares. (Reynier, 2002)
18
Figura 2 Polinización de la Flor y Germinación del grano de polen.
Nota: Adaptado de Manual de la Viticultura (p. 25), por Alain Reynier (Fuente A.
Reynier, 2002), Mundi-Prensa.
La fecundación de la vid es anemófila, generalmente de una flor a otra, y no entomófila,
como en muchos otros frutales. La mayoría de variedades de vid que se cultivan son
hermafroditas y por lo tanto autógama, produciéndose de un modo natural el anterior
proceso de fecundación. (Hidalgo, 2011)
2.9.8 Cuajado
Se denomina cuajado al desarrollo de las inflorescencias, que más tarde darán lugar a los
frutos de la vid, o mejor dicho a las bayas de los racimos (Hidalgo, 2011). Ahora tambien
el número de frutos maduros es siempre inferior al número de flores que están
diferenciadas. Un cierto número de flores fecundadas evolucionan a frutos, se dice que
cuajan, mientras que un cierto número de flores no polinizadas y de ovarios fecundados
19
caen, se dice que se corren. El termino corrimiento corresponde a la caída de flores y
ovarios (Reynier, 2002).
2.9.9 Crecimiento de baya (desarrollo de bayas)
El desarrollo de las bayas empieza con la polinización y continua hasta el estado de
madurez. Se traduce en un crecimiento en volumen de las bayas acompañado de una
evolución de las características físicas (color, firmeza) y de la composición química de
las uvas (azúcares, ácidos, compuestos fenológicos). Se distinguen tres periodos a lo largo
del desarrollo del fruto (Reynier, 2002):
 Un periodo herbáceo, durante el cual la baya, verde y dura, engorda y se comporta
como un órgano clorofílico en crecimiento.
 Un periodo de maduración, durante el cual la baya cambia de color, engorda de
nuevo y se comporta como un órgano de transformación y, sobre todo, de
almacenamiento. Comienza con un período de evolución rápida de las características
físicas y bioquímicas de la uva, el envero y termina con el estado de madurez.
 Un periodo de sobre maduración, durante el cual la uva se masifica, mientras que
su composición química evoluciona y puede sufrir ataques de hongos (Botrytis cinérea).
20
Agricultura de precisión
De acuerdo con Robert (1999), la observación de la existencia de variabilidad en las
propiedades o factores determinantes de la producción en los agroecosistemas no es una
novedad. Lo que es diferente, en realidad, es la posibilidad de identificar, cuantificar y
mapear esa variabilidad. Más aún, es posible georreferenciar y aplicar los insumos con
dosis variables en puntos o áreas de coordenadas geográficas conocidas. (citado por
PROCISUR/IICA, 2006)
A lo largo de los años se ha buscado aumentar la eficiencia productiva. En ese sentido, se
han incorporado en la agricultura grupos de tecnologías que eran usados en otras áreas de
investigación. Dentro de estas, tecnologías que permiten determinar a distancia diversas
características de una determinada superficie (ejemplo: tierra, agua, vegetación; etc.),
proceso que es denominado como percepción remota. (PROCISUR/IICA, 2006)
La percepción remota según Aguilar (2018), es un componente determinante de diversas
aplicaciones a través de disciplinas transversales como sistema de soporte a toma de
decisiones, al combinar información de múltiples fuentes y pueden ser útil en aplicaciones
agrícolas para detectar o evaluar factores limitantes, discriminación de cultivos,
inventarios, etapas de crecimiento, vigor vegetal, necesidades nutrimentales, variación
espacial de la productividad, estimación de biomasa y rendimientos, superficies y
muestreo de propiedades físicas y químicas del suelo en complejos entornos biofísicos
mediante imágenes satelitales.
21
Figura 3 Componentes de un Sistema de Teledetección
Nota. Adaptado de Teledetección Ambiental (p.19) Chuvieco, 2008
Para obtener la información requerida de los cultivos se utiliza la teledetección que
consiste en la medición de la radiación electromagnética emitida o reflejada por los
cultivos con el uso de herramientas que no están en contacto directo con las plantas.
(Jiménez, Quiroz, Acevedo & Salamanca, 2015). Algunas de las tecnologías usadas son:
 Redes de Sensores inalámbricos (WSNs, Zigbee)
 Redes de datos industriales aplicadas al Agro
 Naves no tripuladas (UAV, Drones)
 Sistema de Posicionamiento Global (GPS)
 Sistemas de Información Geográfica (GIS)
 Procesamiento de Imágenes Satelitales
22
 Cloud Computing
 Big Data
 Portales Web
 Aplicaciones Móviles
 Robótica (Máquinas robóticas) (Riegonets, 2016 y Parra, 2017)
En la figura 7 se muestra la forma de cómo se relacionan algunas tecnologías con la
agricultura y los beneficios que genera.
23
Figura 4 Elementos que Integran la Agricultura de Precisión
Nota. Adaptado de “Sistema para la generación automática de mapas de rendimiento.
Aplicación en la Agricultura de Precisión” (p. 62) por C. Lago et. all, 2011, IDESIA,
29(1),
Como parte de la agricultura de precisión existe un importante conjunto de tecnologías
que actúan en complemento con la percepción remota y otras herramientas, y este
corresponde a los Sistemas de Información Geográfica o “SIG”, los que son empleados
para la administración dela información territorial(datos), en donde, se emplean, sistemas
de posicionamiento global, en conjunto a programas computacionales sofisticados. (Best,
2013)
Un SIG es un sistema compuesto por hardware, software y datos geográficos, diseñado
para capturar, almacenar, manipular, analizar y desplegar en todas sus formas la
información geográficamente referenciada con el fin de resolver problemas complejos de
planificación y gestión. El SIG funciona como una base de datos con información
24
geográfica (datos alfanuméricos) que se encuentra asociada por un identificador común a
los objetos gráficos de un mapa digital. Dada su versatilidad, son capaces de resolver
problemas de localización, eficiencia, tendencias y modelos, siendo útiles en una gran
rama de disciplinas. La razón fundamental para utilizar un SIG es la gestión de
información espacial. El sistema permite separar la información en diferentes capas
temáticas y las almacena independientemente, permitiendo trabajar con ellas de manera
rápida y sencilla, y facilitando al profesional la posibilidad de relacionar la información
existente a través de la topología de los objetos, con el fin de generar otra nueva que no
podríamos obtener de otra forma (Buzzai, 2008).
La agricultura de precisión es una herramienta que está abriendo nuevas formas de
abordar la producción, agrícola ya que la información y cantidad de datos que genera,
ayudan a interpretar de mejor forma lo que está sucediendo en una determinada área, y
en un determinado momento, siendo una poderosa fuente de información tiempo-espacial,
la cual en conjunto con otros parámetros contribuyen a mejorar la toma de decisiones
(McBratney et al., 2005)
Según el Programa Cooperativo para el Desarrollo Tecnológico Agroalimentario y
Agroindustrial del cono Sur(PROCISUR), 2006, la agricultura de precisión es un
conjunto de técnicas orientado a optimizar el uso de los insumos agrícolas (semillas,
agroquímicos y correctivos) en función de la cuantificación de la variabilidad espacial y
temporal de la producción agrícola.
La agricultura de precisión (AP)con el uso de percepción remota(PR), sistemas de
información geográfica(SIG) y sistemas de posicionamiento global (GPS) es
potencialmente, una de las más poderosas herramientas, procesos y técnicas para la
competitividad de la agricultura. (Aguilar, 2018)
25
La agricultura de precisión (Precision Agriculture PA) es la aplicación de técnicas y
sensores para identificar variaciones en el campo y tratarlas utilizando estrategias
alternativas. Las imágenes de satélite de alta resolución se utilizan ahora con más
frecuencia para estudiar estas variaciones en cuanto a las condiciones del cultivo y del
suelo. Las imágenes tomadas por plataformas de teledetección de baja altitud, o pequeños
sistemas aéreos no tripulados (UAS), son una alternativa potencial dada su bajo costo de
operación en monitoreo ambiental, alta resolución espacial y temporal y su alta
flexibilidad en adquisición de imágenes programación. (Aber, J. S., Aaviksoo, K.,
Karofeld, E., & Aber, S. W).
Berni et al (2009), considera que los UAS/RPAS vienen a cubrir las limitaciones que
tienen actualmente el uso de satélites y aviones en el manejo de cultivos en tiempo real,
como son la falta de imágenes con resolución espacial y espectral óptimas y una mejora
de la capacidad de revisita necesaria para detectar determinados problemas que afectan al
desarrollo de los cultivos.
Según Montesinos las aplicaciones operativas que tienen los drones, considerándose estas
como aplicaciones que resuelven problemas reales y a un costo razonable dependen:
 Del valor añadido del cultivo.
 De que la variabilidad influya en la producción/calidad final del producto.
 De que se pueda caracterizar la variabilidad (suelos/Litología, Morfología y
desarrollo vegetativo).
 De que la información obtenida permita la mejora del manejo del cultivo y de su
productividad
26
Se entiende por una aeronave no tripulado UAV (Unmanned Aerial Vehicle) o UAS
(Unmanned Aircraft System) o UAVS (Unmanned Aircraft Vehicle System) a aquella
que es capaz de realizar una misión sin necesidad de tener una tripulación embarcada.
Debe entenderse que ésta condición no excluye la existencia de piloto, controlador de la
misión y otros operadores, que pueden realizar su trabajo desde tierra. La extensión del
concepto de vehículo a sistema, refleja que el UAVS precisa, no solo de la aeronave
adecuadamente instrumentada, sino también de una estación en tierra, que complementa
la instrumentación y capacidades embarcadas. Es conveniente considerar que esta
definición podría incluir algunos casos que quedan fuera del concepto subyacente de
UAV. Así los globos aerostáticos, utilizados por ejemplo con fines meteorológicos,
responden a la definición y sin embargo no son considerados como UAV dada su no
controlabilidad. Lo mismo cabría decir de los misiles autopilotados o con control remoto.
(Rossi C., 2007).
Bandas Espectrales
La radiación solar es la fuente primaria de la energía para numerosos procesos biológicos
que tienen lugar en las plantas. Las interacciones entre la radiación solar y las plantas
pueden ser divididas en tres categorías: efectos térmicos, efectos fotosintéticos y efectos
fotomorfológicos de la radiación. Cerca del 70% de la radiación solar absorbida por las
plantas es convertida en calor y usada para mantener su temperatura y para el proceso de
transpiración (efectos térmicos). (Gates, 1968).
Se define por radiancia el cociente entre la intensidad luminosa emitida por una superficie
y el área aparente de la misma, para un observador lejano. La radiancia se expresa en
unidades de vatios / estereorradián Α m2. La radiancia de una superficie depende de la
longitud de onda, λ, de la luz. Por ello se define la radiancia espectral, L(λ), para una
27
∆I(λ)cosθ
longitud de onda dada, como: 𝐿(λ) = siendo θ el ángulo formado por la normal
∆A
a la superficie radiante y la dirección considerada.(Alonso, 1999).
La reflectancia (R), de una superficie se define físicamente como el cociente entre la
potencia de la radiación reflejada y la potencia total recibida por la misma. Dado que la
cantidad de radiación reflejada por la superficie siempre será menor o igual que la
potencia recibida, la reflectancia tendrá valores comprendidos entre 0 y 1. Normalmente
suele expresarse en porcentaje. La reflectancia es una magnitud característica del medio
y, por tanto, es esta magnitud la base para el reconocimiento de sustancias. Al igual que
la radiancia, la reflectancia también depende de la longitud de onda, R(λ). (Alonso, 1999).
La radiación fotosintéticamente activa (PAR) (casi el 28% de la energía absorbida por la
planta) es usada en la fotosíntesis y para la conversión de compuestos orgánicos de alta
energía. Las propiedades ópticas de las hojas en la región PAR dependen del número de
factores, como: las condiciones de la radiación, especie vegetal, espesor de las hojas,
estructura de la superficie de la hoja, clorofila, contenido de carotenoides de las hojas
(pigmentos orgánicos que se encuentran en forma natural en las plantas), contenido de
materia seca por unidad de área y estructura interna. (Ross, 1981).
Los distintos tipos de coberturas terrestres (bosques, suelos cultivados, láminas de agua,
etc.) se distinguen por la energía que reflejan y emiten. Estos “espectros” que caracterizan
el tipo de cubierta observada constituyen su firma espectral (figura 8). (Short, 1997).
28
Figura 5 Firma espectral de distintas coberturas terrestres
Nota. Adaptado de Short,1997, citado por Alonso, 1999 (p. 429), VIII Congreso Nacional
de Teledetección, Albacete, España.
La región del espectro visible en la vegetación se caracteriza por baja reflectancia y
transmitancia, dada la fuerte absorción por los pigmentos foliares. Por ejemplo, los
pigmentos de clorofila absorben la luz violeta-azul y roja por la fotosíntesis. La luz verde
es reflejada para la fotosíntesis, razón por la cual muchas de las plantas aparecen verdes.
El espectro de reflectancia de la vegetación verde muestra picos de absorción de alrededor
de 420nm (violeta), 490nm (azul) y 660nm (rojo). Estos son causados por una fuerte
absorción de la clorofila. (Meer et al., 2002).
En la firma espectral de la vegetación verde. Esta se caracteriza por presentar un claro
contraste entre las regiones del espectro correspondientes al rojo del visible y al infrarrojo
cercano (Lobo, 1995). Mientras en la región visible, los pigmentos de la hoja absorben la
mayor parte de la luz que reciben, en el infrarrojo cercano estas sustancias son bastante
29
transparentes. Por esta razón, la vegetación sana ofrece baja reflectividad en la banda roja
del espectro (entre 600 y 700 nm) y alta en el infrarrojo próximo (entre 800 y 1000 nm)
(Alonso, 1999).
En la región del visible (entre 400 y 700 nm), la respuesta espectral de la vegetación está
caracterizada por el papel fundamental que desempeñan los pigmentos de la hoja en la
absorción de la energía. Mientras que las propiedades de la superficie de la hoja son, en
parte, responsables de la reflectancia en dicha superficie, la absorción está gobernada
principalmente por la estructura interna, esto es, composición, concentración y
distribución de los pigmentos (la clorofila, el caroteno y la xantofila). De ellos, el más
importante es la clorofila, que es responsable de dos bandas de absorción, una en el azul
y otra en el rojo. (Alonso,1999).
Índice de Vegetación de Diferencia Normalizada (NDVI)
Los índices de vegetación son combinaciones de las bandas espectrales registradas por
sensores especiales, cuya función es realzar la cubierta vegetal en relación de su respuesta
espectral y atenuar los detalles de otros componentes como el suelo, la iluminación, entre
otros. Gilabert et al. (1997) lo definen como un parámetro calculado a partir de los valores
de reflectividad a distintas longitudes de onda y que pretende extraer de los mismos la
información relacionada con la vegetación minimizando la influencia debidas al suelo y
condiciones atmosféricas.
El NDVI fue propuesto por Rouse et al. (1974), y al igual que en los demás índices de
vegetación, se calcula usando la reflectancia de las regiones roja e infrarroja cercana del
espectro electromagnético. Básicamente es la diferencia normalizada de las dos bandas,
y cuyo rango de variación al estar normalizado, queda comprendido entre -1 y +1
(Gilabert et al., 1997). De estos valores, los valores positivos corresponden a superficies
30
de vegetación, el suelo desnudo tiene los valores cercanos al cero, mientras que los
valores negativos generados por una mayor reflectancia en el visible que en el infrarrojo,
pertenecen a nubes, nieve, agua; así mismo el valor del NVDI puede variar en función
del uso del suelo, estación fenológica, situación hídrica del territorio y ambiente climático
de la zona (Gómez, 2004).
(𝑅𝑛𝑖𝑟 − 𝑅𝑟𝑒𝑑)
𝑁𝐷𝑉𝐼 =
(𝑅𝑛𝑖𝑟 + 𝑅𝑟𝑒𝑑)
Dónde: Rnir = Reflectancia de la banda Infrarroja Cercano
Rred = Reflectancia de banda del Rojo visible
El fundamento del índice es el contraste que se genera entre la reflectancia de las
radiaciones roja e infrarroja. La vegetación senescente reflejará más energía en el rojo
visible, y la vegetación vigorosa reflejará más energía en el infrarrojo cercano. Un mayor
contraste entre ambas bandas es indicativo de una vegetación de una mayor actividad
fotosintética. Por lo tanto, un valor alto del NDVI será indicativo de la presencia de
vegetación vigorosa. En cambio, cuando la vegetación sufre algún tipo de estrés su
reflectancia de las radiaciones roja e infrarroja disminuye, por lo que el contraste entre
ambas bandas es menor al mostrado por la vegetación sana (López, P. 2014).
31
Figura 6 Respuesta Espectral de la Vegetación López 2014
Nota. Adaptado de “Tendencia del índice de vegetación de diferencia normalizada para
una zona del centro de México” (p. 8), López, 2014.
Índice de Agua de Diferencia Normalizada (NDWI)
El NDWI fue propuesto por McFeeters (1996). Se calcula usando la reflectancia de las
regiones Infrarrojo cercano y verde. La selección de estas longitudes de onda se hizo para:
(1) maximizar la reflectancia típica de las características del agua mediante el uso de
longitudes de onda de luz verde, (2) minimizar la baja reflectancia del infrarrojo cercano
por las características del agua, y (3) aprovechar la alta reflectancia de NIR por la
vegetación terrestre y las características del suelo. El agua tiene valores positivos,
mientras que las superficies de suelo y vegetación terrestre valores e cero o negativos,
debido a la reflectancia del infrarrojo cercano típicamente más alta que la luz verde.
(McFeeters 1996).
32
(𝐺𝑟𝑒𝑒𝑛 − 𝑅𝑛𝑖𝑟)
𝑁𝐷𝑊𝐼 =
(𝐺𝑟𝑒𝑒𝑛 + 𝑅𝑛𝑖𝑟)
Dónde: Green = Reflectancia de la banda del Verde visible
Rnir = Reflectancia de la banda Infrarroja Cercano
Antecedentes
Jackson et al. (2014) evaluaron el potencial de utilizar mediciones de reflectancia

espectral de satélites para mapear y monitorizar el contenido de agua en el área foliar de
maíz y soja. Comparando dos tipos de índices se encontró que NDWI (Índice de agua de
diferencia normalizado) era superior basado en un análisis cuantitativo de sesgo y error
estándar. El método desarrollado fue usado para mapear el contenido de agua de la
vegetación diariamente para el estado de Iowa, Estados Unidos, a lo largo de un periodo
de un mes de experimento.
Seong et al. (2015) identificaron el grado de estrés hídrico en la península de Corea

mediante el índice de Agua de Diferencia normalizada (NDWI) a fin de conocer el
contenido de agua de la cubierta vegetal en los bosques. De la serie temporal completa
(1999-2013) identificaron los periodos críticos donde el NDWI presento anomalías que
coincidieron con posteriores incendios forestales.
Díaz et al. (2014) estudiaron situaciones asociadas a excesos hídricos en la cuenca del
Salado de la provincia de Buenos Aires a partir e imágenes satelitales. Para ello se
generaron umbrales de porcentaje de área cubierta de agua a partir del índice NDWI
(Índice de agua de diferencia normalizada) para un conjunto de casos en estudio. A partir
de los resultados obtenidos se concluyó que, en términos generales, los umbrales
definidos permiten detectar y clasificar situaciones de exceso de agua y, a su vez, se
encuentra una coherencia con respecto a los valores estimados por el balance hídrico.
33
CAPITULO III
3. Materiales y Métodos
3.1 Material
3.1.1 Material en Campo
 Sensores de Humedad
Los sensores de humedad son de tipo arduino del modelo yt-69 que fueron programados
para humedad gravimétrica, los sensores fueron adaptados para el proyecto agregándoles
un sistema de cableado más extenso y una recubierta de aislamiento, para poder ser
enterrados bajo terreno.
 VANT o UAV
El Vehículo Aéreo No Tripulado o VANT. utilizado fue un multicóptero de cuatro hélices
de la serie DJI modelo 3DR Solo, de las siguientes características según fabricante: (véase
figura 27).
Tabla 1 Características de Multicóptero DJI modelo 3DR Solo
3DR Solo
tamaño 460 nm
motor 880 Kv
5200 mAh
batería
4S(14.8V)
20 minutos con
tiempo de vuelo suspensión de
cámara
máxima
89 Km/h
velocidad
máxima altura 260 m .
34
 Cámara Multiespectral
MicaSense RedEdge es un sensor multiespectral robusto, que captura la banda de onda
especifica necesaria para el análisis exacto de salud de la planta. Está compuesta con
varias opciones de integración. Además, dispone de un GSD optimizado, un bajo
consumo de energía y un obturador global para imágenes sin distorsión hacen de este
sensor la potencial multiespectral(MicaSense).
Por otro lado, la cámara multiespectral MicaSense RedEdge, posee 5 sensores que
permiten recopilar información de cinco diferentes espectros de luz, asi presenta una
cámara RGB, otra en la banda verde, Banda roja, Banda de borde rojo y la Banda del
infrarrojo cercano.
 Software:
Pix4D Mapper (Photogrammetry software for Professional Done Mapping)
ArcGIS (Environmental Systems Research Institute, California, Estados Unidos): Este
software permite la edición, análisis, tratamiento, diseño de los satos
Rstudio: Es un software de asistencia para el lenguaje de programación R, sirve para la
computación estadística y gráficos.
35
Figura 7 Software usado
Nota. (a) Logo dl Software Pix4D, (b) Logo del Software ArcGIS, (c) Logo del software
Rstudio.
 Barreno para Muestreo
 Bolsas de muestreo
 Etiquetas
 Cooler
 Balanza
 Horno
36
4. METODOS
4.1 Área de estudio
Se trabajó en la zona de la irrigación de Majes Pedregal de la provincia de Caylloma
Arequipa ubicado a una altitud 1440 m.s.n.m. en el distrito de Majes, con coordenadas
WGS84 (-72,21373333; -16,32946666) y UTM (797649 Este; 8192526 Norte) como se
puede visualizar en la Figura 1.
Figura 8 Ubicación de Pedregal (Fuente Google Maps)
La zona de muestreo tiene un área de 4 hectáreas, el clima es desértico que alcanza
humedades relativas bajas de 45% aunque presenta fechas con lluvias potentes debido al
fenómeno del niño y la corriente de Humboldt asi como las ocurridas en febrero llegando
a una precipitación total mensual de 7,3. El campo se ubica dentro del fundo de la
Universidad Católica de Santa María.
37
Figura 9 Localización de la parcela (Fuente Google Earth)
Los cultivos presentan protección de un sistema de malla anti pájaros por lo que los vuelos
con el multicóptero se realizaron desde la calle norte.
Figura 10 Parcela de uva Red Globe (Zona de estudio)
38
4.2 Ubicación de las plantas
Se ubicaron inicialmente las plantas mediante GPS de mano, se ubicó a 12 plantas en todo
el campo de vid de 4 hectáreas, a manera de dos líneas de muestreo 6 plantas por línea.
Cada una de las plantas paso a ser reconocida por puntos muestreados mediante GPS, el
proceso se repitió 5 veces por planta de vid para eliminar el margen de error que pudo
presentar el GPS, que para el presente trabajo tenían hasta un metro de error, además de
un marcado con cinta roja indicando su código que se consideró de acuerdo a su ubicación
con los siguientes caracteres “F” (Fila) y “M” (Muestra) asi tuvimos a los individuos de
una fila como: F1M1, F1M2, F1M3, F1M4, F1M5 y F1M6; y en la otra fila F2M1, F2M2,
F2M3, F2M4, F2M5 y F2M6
4.3 Humedad de hojas
Se realizó el muestreo de hojas de la uva recolectando un total de 10 hojas por planta
individuo, utilizando el siguiente patrón segmentar la zona del follaje en tres áreas
definidas tercio inicial tercio medio y tercio final, recolectando un total de 3 hojas por
tercio, llegando a 9 y una completamente al azar.
Luego fueron llevadas a laboratorio donde pasaron a ser pesadas en peso húmedo, luego
se ingresaron a estufa a 105°C durante 24 horas para la extracción del agua,
posteriormente volvieron a ser pesadas para obtener su peso seco y la humedad que
contienen se calculó mediante formula:
(𝑃𝑒𝑠𝑜 𝐻𝑢𝑚𝑒𝑑𝑜 − 𝑃𝑒𝑠𝑜 𝑆𝑒𝑐𝑜)

𝐻𝑢𝑚𝑒𝑑𝑎𝑑 𝑑𝑒 ℎ𝑜𝑗𝑎 = 𝑥 100
𝑃𝑒𝑠𝑜 𝑆𝑒𝑐𝑜
Los resultados se expresan en porcentaje.
39
4.4 Área Foliar
Las hojas fueron muestreadas por tercios en cada planta que luego pasaron a ser
escaneadas en un fondo blanco a escala 1:1 en formato de imagen bmp (bits map pixel),
posteriormente estas imágenes pasaron a ser ingresadas al software de Compueye LSA
(Leaf and Symptom Area), donde después del calibrado mediante una unidad medida
(centímetros) comienzo el proceso de extracción de área utilizando un barrido de pixeles
y dando las diferencias por color.
Figura 11 Software CompuEye LSA
40
4.5 Humedad de Suelo
El muestro de suelo se realizó con un barreno hasta una profundidad de 50 centímetros a
una distancia de 1 metro de radio del tallo de la uva. La muestra es tabulada, almacenada
y posteriormente llevada a laboratorio. En laboratorio las muestran fueron pesadas con
peso húmedo y luego expuestas a estufa a 105°C durante 24 horas para extraer la humedad
existente en el suelo, posteriormente volvieron a ser pesadas para obtener su peso seco y
la humedad que tienen se calculó mediante formula.
(𝑃𝑒𝑠𝑜 𝐻𝑢𝑚𝑒𝑑𝑜 − 𝑃𝑒𝑠𝑜 𝑆𝑒𝑐𝑜)

𝐻𝑢𝑚𝑒𝑑𝑎𝑑 𝑑𝑒 𝑆𝑢𝑒𝑙𝑜 𝐺𝑟𝑎𝑣𝑖𝑚é𝑡𝑟𝑖𝑐𝑎 = 𝑥 100
𝑃𝑒𝑠𝑜 𝑆𝑒𝑐𝑜
4.6 Muestreo de Sensores
Los sensores fueron instalados a 50 centímetros y 25 centímetros de profundidad del suelo
para poder tener diferentes interpretaciones de la humedad del suelo. Los datos eran
recibidos a través de una placa de lectura arduino que se conectaba a un ordenador.
4.7 Imágenes Multiespectrales
El drone toma un tiempo de vuelo de unos 15 a 20 minutos en la toma de datos del campo
este se realizó mediante comando automático donde se programó la zona a recorrer.
41
Figura 12 Recorrido del vuelo realizado por el VANT
Posteriormente estas imágenes son llevadas al computador para luego pasar a ser
procesadas mediante el software pix4d donde ingresan primero y pasan el siguiente
proceso.
Se crea un nuevo proyecto, donde van a ingresar las imágenes.
Cuando se cargan las imágenes nos aparece una ventana con la descripción de las
imágenes, se da una revisión para evitar que haya duplicados o error en el formato de las
imágenes.
42
Figura 13 Subida de fotos al software Pix4D
Y se procede a presionar el icono “siguiente” para continuar, cuando estén cargadas las
imágenes se selecciona el sistema de coordenadas el usado en el proyecto es el “World
Geodetic System 1984” como sistema de entrada, luego se selecciona el sistema de salida
de los datos, con fines de estandarización se dio salida WGS/UTM zona 18S que es en la
que se encuentra el campo en sistema Universal Transverse Mercator.
43
Figura 14 Procesamiento de las imágenes para generar ortomosaico en Pix4D
Procesamiento de imágenes para generar el ortomosaico, sigue tres procesos básicos
Proceso inicial, procesamiento de los puntos de nube y generado de las mallas y termina
con la generación del ortomosaico todo este siguiendo 21 pasos desde la creación del
proyecto cargado de datos y su posterior traslape hasta la unión de todas las imágenes en
un ortomosaico final.
Posteriormente procede a generar los índices subiendo las formulas al “index calculator”
Las formulas son las siguientes:
NDVI (Normalized Diference Vegetation Index), es índice diferenciado de vegetación
normalizado
(𝑅𝑛𝑖𝑟 − 𝑅𝑟𝑒𝑑)
𝑁𝐷𝑉𝐼 =
(𝑅𝑛𝑖𝑟 + 𝑅𝑟𝑒𝑑)
Fuente: Zarco-Tejada P.J., Gonzales-Dugo V., Berni J.A.J., 2011.
44
NDWI (Normalized Diference Water Index), es el índice diferenciado de agua
normalizado
(𝐺𝑟𝑒𝑒𝑛 − 𝑅𝑛𝑖𝑟)
𝑁𝐷𝑊𝐼 =
(𝐺𝑟𝑒𝑒𝑛 + 𝑅𝑛𝑖𝑟)
Fuente: McFeeters, 1996.
TCARI (Transformed Chrolophyll Absortion in Reflectance Index), es el índice de
reflectancia en Absorción de Clorofila Modificado.
𝑅𝑟𝑒𝑑𝑔𝑒
𝑇𝐶𝐴𝑅𝐼 = 3 ∗ [(𝑅𝑟𝑒𝑑𝑔𝑒 − 𝑅𝑟𝑒𝑑) − 0.2 ∗ (𝑅𝑟𝑒𝑑𝑔𝑒 − 𝐺𝑟𝑒𝑒𝑛) ∗ ( )
𝑅𝑒𝑑
EVI 2 (Enhanced Vegetation Index (2 bandas)), es el índice de vegetación mejorado.
2.5 ∗ (𝑅𝑛𝑖𝑟 − 𝑅𝑒𝑑)

𝐸𝑉𝐼 =
(𝑅𝑛𝑖𝑟 + 2.5 ∗ 𝑅𝑒𝑑 + 1)
Luego las imágenes son llevadas al ArcGIS versión 10.3 para el tratamiento y análisis de
los mapas generados mediante Pix4d donde se recorta los márgenes y del mapa que no
van a ser analizados mediante la herramienta “clip”. Generando el siguiente producto
45
Figura 15 Procesamiento de imágenes en software ArcGIS
Nota. Se observa en la imagen diferentes segmentaciones que se usaron en el proyecto asi
tenemos como ejemplo la ubicación de las plantas: F1M2 = 1.5 metros de radio, F1M4 =
7.5 metros de radio, F1M1 y F1M3 = Cuadrante de 15 metros por 105 metros.
4.8 Análisis en ArcGIS
Se cargan los datos de las Ubicaciones GPS de los individuos de muestreo de donde se
generan diferentes zonas de análisis que van a ser procesadas generando los siguientes
mapas, estos pasaron a ser segmentados nuevamente para mejor idea de estudio de los
individuos con el entorno generando entornos de 1.5 metros de la ubicación del individuo,
7.5 metros de la ubicación del individuo y una división de doce cuadrantes una por
individuo. Para el análisis del mismo
Estos recibieron la siguiente nomenclatura:
NDVI_Z1, que representa los datos de NDVI alrededor de la planta muestra de 1.5 metros
de radio del mismo.
46
NDVI_Z2, que representa los datos de NDVI alrededor de la planta muestra en 7.5 metros
de radio.
NDVI_Z3, que representa los datos de NDVI alrededor de la planta muestra en el
cuadrante que está ubicado.
Luego se procedió a realizar una clasificación no supervisada en de los datos del mapa
raster de NDVI a mapas de 4 categorías representando estas de la siguiente manera:
Tabla 2 Categorías de Clasificación no Supervisada
Categoría Representa
1 Suelo sin Humedad
2 Suelo Húmedo
3 Planta en estrés
4 Planta sin estrés
47
Figura 16 Clasificación no supervisada del vuelo del 22 de noviembre del 2018
Nota. Se puede distinguir en la captura de pantalla del ArcGIS en la margen izquierda la
presencia de los números del 1 al 4 donde tienen un color al lado siendo 1 el color verde
oscuro representando al suelo seco, 2 acompañado de un color verde claro representando
al suelo húmedo, 3 acompañado de color naranja representando a la planta con estrés, y
4 acompañado de color rojo representando a las plantas sin estrés.
4.9 Diseño de investigación
Se aplicó una investigación descriptiva observando los cambios dentro de campo sin
intervenir en su proceso de manejo a lo largo de la campaña 2018, dentro de un campo
homogéneo.
48
CAPITULO IV
5. Resultados y discusiones
La comparación de la bondad de modelos de regresión mediante el coeficiente de
determinación no sólo es correcta cuando la variable dependiente no ha sido sometida a
transformaciones no lineales (por ejemplo, una transformación no logarítmica). En todos
los resultados a presentar mediante R2 sólo se puede comparar la regresión lineal y la
potencial, siendo el mejor ajuste el potencial puesto que además presenta el menor valor
de CME.
5.1 Índice de Vegetación de Diferencia Normalizada (NDVI):
En la figura 17, de nuestros datos de NDVI ver anexos (tablas 25, 26, 27, 28, 29, 30, 31,
32, 33, 34, 35, 36), podemos observar que el modelo de regresión no lineal, que mejor se
ajusta a nuestros datos es el cúbico con la ecuación:
Tabla 3 Comparación de ecuaciones de NDVI de la zona 1, zona 2 y zona 3
NDVIZ1 NDVIZ2 NDVIZ3

Modelo Cubico
Ecuación y = A + B*x + C*x^2 + D*x^3 y = A + B*x + C*x^2 + D*x^3 y = A + B*x + C*x^2 + D*x^3
A 0.19881 ± 0.01221 0.2097 ± 0.011 0.21707 ± 0.01039

B 0.14521 ± 0.00444 0.1442 ± 0.004 0.13749 ± 0.00378
C -0.01026 ± 4.30305E-4 -0.01028 ± 3.87532E-4 -0.00967 ± 3.66058E-4
D 2.1388E-4 ± 1.1796E-5 2.1559E-4 ± 1.06234E-5 1.99549E-4 ± 1.00348E-5
Chi-Cuadrada
0.00124 0.001 8.96E-04
Reducida
R-Cuadrado
0.93982 0.94854 0.95108
(COD)
R-Cuadrado
0.93853 0.94743 0.95004
Ajustado
Donde el valor de R2 nos dice que porcentaje de la variabilidad total en la variable Y
puede ser explicada por la variable regresora, en consecuencia es una medida de la
capacidad de predicción del modelo, llamada también fuerza de la asociación entre X e
49
Y; este valor va entre 0 a 1 y para este caso alcanza valores de 0.93982, 0.94854 y 0.9510
donde el 93.98 %, 94.85 %, y 95.10 % de la variación observada en los datos empleados
están siendo explicados por NDVIZ1, NDVIZ2 y NDVIZ3 y están siendo representados
por la ecuación y = A + B*x + C*x^2 + D*x^3 propuesta, pudiendo el mismo variar hasta
un 93.85% para NDVIZ1, 94.74% para NDVIZ2, y 95.00 % para NDVIZ3 si es que
existiera algún ajuste “R2 adj.”, siendo esta ecuación un excelente predictor. De la misma
manera en las tablas 8, 9 y 10 de anexo observamos que el valor del estadístico F
(15241.16, 18852.51, 20382,67) y el nivel de significación Pro>F es menor que 0.001 y
por tanto la regresión es significativa, mostrando que es la que mejor se ajusta a los datos.
Como se podrá observar el ajuste de la curva de regresión nos muestra que a medida que
el tiempo (semanas) transcurre, el valor de NDVI se incrementa hasta la semana 9 con
(ndviz1= 0.85) (ndviz2 = 0.86) (ndviz3 = 0.84) y donde en la semana 10 detiene su
crecimiento y el mismo desciende hasta la semana 21 (ndviz1= 0.75) (ndviz2= 0.71)
(ndviz3=0.70).
50
Figura 17 Relación curvilínea entre tiempo(semanas) y NDVI
5.2 Índice de Agua de Diferencia Normalizada (NDWI):
En la figura 18 obtenida de nuestros datos ver anexos (tablas 25, 26, 27, 28, 29, 30, 31,
32, 33, 34, 35, 36), se observa que el modelo de regresión no lineal, que mejor se ajusta
a nuestros datos es el cúbico con la siguiente ecuación:
Tabla 4 Comparación de ecuaciones de NDWI en la zona 1, zona 2 y zona 3
NDWIZ1 NDWIZ2 NDWIZ3

Modelo Cubico
y = A + B*x + C*x^2 + y = A + B*x + C*x^2 + y = A + B*x + C*x^2 +
Ecuación
D*x^3 D*x^3 D*x^3
A -0.26621 ± 0.00855 -0.27708 ± 0.00745 -0.27995 ± 0.00749
B -0.09322 ± 0.00311 -0.0915 ± 0.00271 -0.08671 ± 0.00272
C 0.00682 ± 3.01361E-4 0.00665 ± 2.6256E-4 0.00616 ± 2.64039E-4
D -1.45652E-4 ± 8.26124E-6 -1.41186E-4 ± 7.19758E-6 -1.27728E-4 ± 7.23811E-6
Chi-Cuadrada
6.07E-04 4.61E-04 4.66E-04
Reducida
R-Cuadrado
0.92185 0.93751 0.93472
(COD)
R-Cuadrado
0.92018 0.93617 0.93332
Ajustado
51
Donde el valor de R2 explica el porcentaje de la variabilidad total en la variable Y que
Y; este valor va entre 0 a 1 y para este caso alcanza valores de 0.92185, 0.9375, 0.9347
donde el 92.18 %, 93.75 %, y 93.47 % de la variación observada en los datos empleados
están siendo explicados por NDWIZ1, NDWIZ2 y NDWIZ3 que están siendo
representados por la ecuación y = A + B*x + C*x^2 + D*x^3 propuesta, pudiendo el
mismo variar hasta un 92.01 %,93.61 %, y 93.33 % respectivamente si es que existiera
algún ajuste “R2 adj.”, siendo esta ecuación un excelente predictor. De la misma manera
en las tablas 11, 12 y 13 de anexo observamos que el valor del estadístico F (4651.89,
4385.7, 668.15) y el nivel de significación Pro>F es menor que 0.001 (p= 0.000) y por
tanto la regresión es significativa, mostrando que es la que mejor se ajusta a los datos.
el tiempo (semanas) transcurre, el valor de NDWI se desciende hasta la semana 9 con
(ndwiz1= -0.67) (ndwiz2 = -0.66) (ndwiz3 = -0.65) y donde en la semana 11 detiene su
decrecimiento y el mismo asciende hasta la semana 21 (ndwiz1= -0.57) (ndwiz2= -0.57)
(ndwiz3 = -056).
52
Figura 18 Relación curvilínea entre tiempo en semanas por NDWI
5.3 Índice de Vegetación Mejorado (EVI)
En la figura 19 de nuestros datos ver anexos (tablas 25, 26, 27, 28, 29, 30, 31, 32, 33, 34,
35, 36), se observa que el modelo de regresión no lineal, que mejor se ajusta a nuestros
datos es el cúbico con la siguiente ecuación:
53
Tabla 5 Comparación de ecuaciones de EVI en zona 1, zona 2 y zona 3
EVIZ1 EVIZ2 EVIZ3

Modelo Cubico
Ecuación
D*x^3 D*x^3 D*x^3
A 0.05306 ± 0.01392 0.05908 ± 0.01228 0.06571 ± 0.01239
B 0.1262 ± 0.00506 0.12649 ± 0.00447 0.12295 ± 0.0045
C -0.00805 ± 4.90356E-4 -0.00819 ± 4.32716E-4 -0.00803 ± 4.36526E-4
D 1.51279E-4 ± 1.34422E-5 1.56593E-4 ± 1.18621E-5 1.54495E-4 ± 1.19665E-5
Chi-Cuadrada
0.00161 0.00125 0.00127
Reducida
R-Cuadrado
0.92588 0.93909 0.93263
(COD)
R-Cuadrado
0.92429 0.93779 0.93118
Ajustado
Y; este valor va entre 0 a 1 y para este caso alcanza un valor 0.92588, 0.93909, 0.93263
donde el 92.58 %, 93.90 %, y el 93.26 % de la variación observada en los datos empleados
están siendo explicados por eviz1, eviz2 y, eviz3 que están siendo representados por la
ecuación y = A + B*x + C*x^2 + D*x^3 propuesta, pudiendo los mismos variar hasta un
92.42 %, 93.77 %, y 92.11% respectivamente si es que existiera algún ajuste “R2 adj.”,
siendo esta ecuación una excelente predictora. De la misma manera en las tablas 14, 15,
y 16 del anexo observamos que el valor del estadístico F (582.90, 1673.51, 1512.67) y el
nivel de significación Pro>F menor que 0.001 (p= 0.000) y por tanto la regresión es
significativa, mostrando que es la que mejor se ajusta a los datos.
el tiempo (semanas) transcurre, el valor de EVI se incrementa hasta la semana 8 con
(eviz1= 0.66) (eviz2 = 0.67) (eeviz3 = 0.65) y donde en la semana 10 detiene su
54
crecimiento y el mismo desciende hasta la semana 23 (eviz1= 0.53) (eviz2 = 0.54) (eviz3=
0.52).
Figura 19 Relaciones curvilíneas entre tiempo(semanas) por EVI
55
5.4 Índice de Reflectancia en Absorción de Clorofila Transformada
(TCARI)
TCARIZ1:
En la figura 20 resultado de nuestros datos ver anexos (tablas 25, 26, 27, 28, 29, 30, 31,
32, 33, 34, 35, 36), se observa que el modelo de regresión no lineal, que mejor se ajusta
a nuestros datos es el cúbico con la siguiente ecuación:
Tabla 6 Comparación de ecuaciones de TCARI en zona 1, zona 2, y zona 3
TCARIZ1 TCARIZ2 TCARIZ3

Modelo Cubico
Ecuación
D*x^3 D*x^3 D*x^3
A 0.26498 ± 0.02318 0.27479 ± 0.02189 0.26062 ± 0.01993
B -0.06712 ± 0.00843 -0.07158 ± 0.00796 -0.06323 ± 0.00725
C 0.00469 ± 8.16906E-4 0.00515 ± 7.71216E-4 0.00461 ± 7.0241E-4
D -7.77085E-5 ± 2.23939E-5 -9.01461E-5 ± 2.11414E-5 -8.13638E-5 ± 1.92552E-5
Chi-Cuadrada
0.00446 0.00398 0.0033
Reducida
R-Cuadrado
0.65014 0.68238 0.6816
(COD)
R-Cuadrado
0.64264 0.67558 0.67478
Ajustado
Y; este valor va entre 0 a 1 y para este caso alcanza valores de 0.65014, 0.6823, 0.6816
donde el 65.01 %, 68.23 %, y el 68.16 % de la variación observada en los datos empleados
están siendo explicados por tcariz1, tcariz2 y tcariz3 que están siendo representados por
la ecuación y = A + B*x + C*x^2 + D*x^3 propuesta, pudiendo el mismo variar hasta un
64.26%, 67.55%, y 67.47% respectivamente si es que existiera algún ajuste “R2 adj.”,
siendo esta ecuación una excelente predictora. De la misma manera en las tablas 17, 18 y
56
19 del anexo observamos que el valor del estadístico F (86.727, 100.26, 16.47) y el nivel
de significación Pro>F menor que 0.001 (p= 0.000) y por tanto la regresión es
significativa, mostrando que es la que mejor se ajusta a los datos.
el tiempo (semanas) transcurre, el valor de TCARI se desciende hasta la semana 8 con
(tcariz1= -0.02) (tcariz2 = -0.02) (tcariz3 = 0.01) y donde en la semana 10 detiene su
decrecimiento y el mismo asciende hasta la semana 21 (tcariz1= 0.25) (tcariz2 = 0.25)
(tcariz3 = 0.25).
Figura 20 Relaciones curvilíneas entre tiempo(semanas) y TCARI
57
5.5 Humedad de hojas
En la figura 21 resultado de las tablas 37, 38, 39, 40, 41, y 42 (ver anexos), se observa
que el modelo de regresión no lineal que se ajusta a nuestros datos es de tipo cubico como
se muestra en la tabla 7.
Tabla 7 Ecuación de Relación curvilínea de humedad de la hoja
HUMEDAD HOJA
Modelo Cubico
Ecuación y = A + B*x + C*x^2 + D*x^3
Valores Error Estandar
A 71.4997 2.27698
B 1.0034 0.82791
C -0.09738 0.08023
D 0.00214 0.0022
R-Cuadrado
0.44395
Ajustado
Donde el valor R² explica el porcentaje de variabilidad total en la variable Y que puede
ser explicada por la variable regresora. Este valor va entre 0 y 1 y para este caso alcanza
un valor de 0.44395, donde el 44.39 % de los datos observados son explicados por la
ecuación propuesta y = A + B*x + C*x^2 + D*x^3 según R² ajustado siendo en este caso
una ecuación de predicción media.
el tiempo (semanas) transcurre, y que el porcentaje de humedad en la hoja asciende hasta
la semana 7 con (humedad hoja = 75%) y donde en la semana 8 detiene su decrecimiento
y el mismo asciende hasta la semana 21 (humedad hoja = 69%).
58
Figura 21 Relación curvilínea entre el tiempo(semanas) por humedad de
hoja(porcentaje)
59
5.6 Humedad de suelo
En la figura 22 resultado de las tablas 37, 38, 39, 40, 41, y 42. (ver anexos), se observa
Tabla 8 Comparación de ecuaciones de Relación Curvilínea para Humedad de Suelo,

Humedad con Sensor a 25 centímetros y Humedad con Sensor a 50 centímetros de
profundidad
HUMEDAD HUMEDAD 25 CM HUMEDAD 50 CM

Modelo Cubico
A 12.69446 ± 0.87082 39.23621 ± 6.22177 33.66276 ± 6.67423
B -1.59054 ± 0.31663 -0.67575 ± 2.26224 3.1749 ± 2.42676
C 0.16536 ± 0.03068 0.10505 ± 0.21923 -0.25631 ± 0.23517
D -0.00427 ± 8.41139E-4 -0.00404 ± 0.00601 0.00596 ± 0.00645
R-Cuadrado
0.84277 -0.0012 -0.07153
Ajustado
un valor de 0.8427, -0.0012, y -0.0715 respectivamente para humedad en laboratorio,
humedad a 25 cm del suelo, humedad a 50 cm del suelo, donde el 84.27 % de los datos
observados son explicados por la ecuación propuesta y = A + B*x + C*x^2 + D*x^3
según R² ajustado en humedad de suelo en laboratorio, siendo en este caso una buena
predictora. Y en los casos con humedad de sensor no muy buenas debido a los bajos
porcentajes que se observan 0.12 % en humedad de sensor a 25 centímetros de
profundidad y 7.15 % en humedad de sensor a 50 centímetros de profundidad.
el tiempo (semanas) transcurre, el valor de humedad de suelo fluctúa en rangos de valores
60
de 20 % de humedad de suelo en laboratorio, 40 % de humedad suelo con sensor a 25 cm
de profundidad y 45 % de humedad en suelo con sensor a profundidad de 50 centímetros.
Figura 22 Relaciones curvilíneas entre tiempo(semanas) por humedad de suelo

(porcentaje)
61
5.7 Área foliar.
En la figura 23 resultado de las tablas 37, 38, 39, 40, 41, y 42 (ver anexos), se observa
Tabla 9 Ecuación de relación curvilínea de Área de hojas
AREA HOJAS
Modelo Cubico
Valores Error Estandar
A 129.74642 35.94727
B 45.7873 13.07047
C -2.9581 1.26663
D 0.00343 0.03472
R-Cuadrado
0.81374
Ajustado
un valor de 0.81374, donde el 81.37 % de los datos observados son explicados por la
ecuación propuesta y = A + B*x + C*x^2 + D*x^3 según R² ajustado siendo en este caso
una ecuación de predicción buena.
el tiempo (semanas) transcurre, y que el porcentaje de humedad en la hoja asciende hasta
la semana 11 con (área foliar = 355 cm²) y esta mantiene una estabilidad hasta la semana
18 y el mismo asciende hasta la semana 24 (área en hoja= 290 cm²).
62
Figura 23 Relación curvilínea entre tiempo(semanas) por Área Foliar(cm²)
63
Capítulo V
6. Conclusiones
 Se determinaron cuatro clasificaciones mediante uso de clasificación no
supervisada en el índice NDWI, donde dos refieren contenido de humedad en el
suelo, obteniendo que las clasificaciones 1 y 2 pertenecen a un suelo seco y suelo
húmedo respectivamente.
 Se determinaron los Niveles Digitales de los que se generaron ortomosaicos de las
diferentes bandas Verde, Roja, Borde Rojo e Infrarrojo Cercano; donde a partir de
ellas se lograron generar los índices NDVI, NDWI, TCARI y EVI.
 Se halló el índice de Agua de Diferencia Normalizada (NDWI) presento como
dato menor -0.7434 y mayor de -0.1699 donde los datos más cercanos a -1 indican
cuerpos con mayor cantidad de Agua y un dato promedio de -0.5854.
 Comparando las relaciones curvilíneas de NDVI, NDWI, Humedad de hoja, y
Humedades de suelo; se puede decir que el análisis de humedad en viñedo
mediante imágenes multiespectrales para las hojas es viable basados en una
correlación segmentada de los meses de junio a agosto, y en el suelo no tendría
mucha utilidad.
 El uso de imágenes multiespectrales nos genera mapas de índices en la vid,
permitiéndonos georreferenciar, clasificar y observar con mayor facilidad las
diferentes zonas más favorables y otras menos favorables en la humedad de hoja
y vigor de la planta, teniendo asi mayor información para una mejor toma de
decisiones y no tratar todo el cultivo como un sistema homogéneo, si no de acuerdo
a sus necesidades en el espacio-tiempo adecuados, para no realizar un mal uso de
los recursos.
64
7. Recomendaciones y Discusiones
 Se recomienda continuar con el desarrollo de algunas herramientas usadas en la
presente tesis como los sensores de humedad, dado que estos fueron solamente
programados para usarse con humedad gravimétrica por código en sketch de
arduino. Sabiendo que hay otros equipos que funcionan con otros lenguajes de
programación y otros equipos pre- programados.
 Se recomienda que se prueben otros sensores para el monitoreo de humedad
además de las cámaras multiespectrales, como el uso de cámaras térmicas,
cámaras infrarrojas de otros rangos como de infrarrojo medio.
 El uso de imágenes multiespectrales en otras áreas, modificar el número de
muestra, y cultivos para un mejor r entendimiento de estos índices para futuras
investigaciones, dado a que el comportamiento de los cultivos varía de acuerdo a
su ubicación geográfica.
 No sé a podido aplicar una correlación lineal a todos los datos debido al
comportamiento de estos mismos, que tenían un comportamiento de curva, más
sin embargo se ha podido hacer una correlación de un segmento de la data
correspondiente a los meses de junio hasta agosto que indicaría que la humedad
de hoja tendría 51.7 % de relación directamente proporcional con el NDVI, y un
49.4 % de relación indirectamente proporcional con el NDWI.
65
8. BIBLIOGRAFIA
1. Aber JS, Aaviksoo K, Karofeld E, et al. VITICULTURA DE PRECISIÓN Terroir
Digital. Rev Mex Ciencias Agrícolas. 1998;253(1):1–139.
doi:10.29312/remexca.v6i2.726
2. Aguilar Rivera N. Percepción remota como herramienta de competitividad de la
agricultura. Rev Mex Ciencias Agrícolas. 2018;6(2):399.
doi:10.29312/remexca.v6i2.726
3. Asner GP. Biophysical and biochemical sources of variability in canopy
reflectance. Remote Sensing of Environment. 1998;64(3):234–253.
doi:10.1016/S0034-4257(98)00014-5
4. Baluja J, Diago MP, Balda P, et al. Assessment of vineyard water status variability
by thermal and multispectral imagery using an unmanned aerial vehicle (UAV).
Irrigation Science. 2012;30(6):511–522. doi:10.1007/s00271-012-0382-9
5. Best S, León L, Quintana R, Aguilera H, Flores F, Concha V. VITICULTURA DE
PRECISIÓN Terroir Digital. Chillan: INIA-Chile; 2013.
6. Bongiovanni R, Mantovani EC, Best S. AGRICULTURA DE PRECISIÓN:
Integrando conocimientos para una agricultura moderna y sustentable.; 2010.
7. Bota J, GALMES J, TERESA MORENO M, et al. Trabajo Final de Grado.
Remote Sensing Environment. 2017;5(3):1–119. doi:10.1007/s11661-997-0172-9
8. BOTA J, GALMES J, TERESA MORENO M, et al. Understanding down-
regulation of photosynthesis under water stress: future prospects and searching for
physiological tools for irrigation management. Annals of Applied Biology.
2006;144(3):273–283. doi:10.1111/j.1744-7348.2004.tb00343.x
66
9. Bowyer P., Danson FM. Sensitivity of spectral reflectance to variation in live fuel
moisture content at leaf and canopy level. Remote Sens Environ. 2004;92(3):297–
308. doi:10.1016/j.rse.2004.05.020
10. Buitron J. Estudio de la tecnología de instrumentación y medición en la
Agricultura de precisión en el Perú. 2012;(505).
http://cybertesis.uni.edu.pe/bitstream/uni/1130/1/lopez_gj.pdf.
11. Buzzai G., Baxendale C.A., Humacata L., y Principi N. Sistemas de Información
Geográfica (SIG): Teoría y aplicación. Universidad Nacional de Luján, 2016.
12. Candiago S, Remondino F, De Giglio M, Dubbini M, Gattelli M. Evaluating
multispectral images and vegetation indices for precision farming applications
from UAV images. Remote Sensing of Environment. 2015;7(4):4026–4047.
doi:10.3390/rs70404026
13. Chaves MM, Pereira JS, Maroco J, et al. How plants cope with water stress in the
field. Photosynthesis and growth. Annals of Botany. 2002;89(SPEC. ISS.):907–
916. doi:10.1093/aob/mcf105
14. Chuvieco, E. (2008). Teledetección ambiental: La observación de la tierra desde
el espacio (3ra ed.). Barcelona, España: Ariel.
15. Curran PJ, Dungan JL, Peterson DL. Estimating the foliar biochemical
concentration of leaves with reflectance spectrometry: Testing the Kokaly and
Clark methodologies. Remote Sensing Environment. 2001;76(3):349–359.
doi:10.1016/S0034-4257(01)00182-1
16. Flexas J, Escalona JM, Medrano H. Water stress induces different levels of
photosynthesis and electron transport rate regulation in grapevines. Plant, Cell
and Environment. 1999;22(1):39–48. doi:10.1046/j.1365-3040.1999.00371.x
67
17. García P. M. Eficiencia del riego. 2011:46.
doi:10.1161/CIRCULATIONAHA.113.004228
18. Gates, D. 1968. Transpiration and leaf temperature. Annual Review of Plant
Physiology 19: 211-238.
19. Gilabert, M., González-Piqueras, J., & García-Haro, J. (1997). Acerca de los
índices de vegetación. Revista De Teledetección, 8(10)
20. González A., Amarillo G., Amarillo M., Sarmiento F., Publicaciones e
investigación revista especializada en ingeniería: journal specializing in
engineering. Publicaciones e Investigación. 2007;10(0):23–37.
http://hemeroteca.unad.edu.co/index.php/publicaciones-e-
investigacion/article/view/1585/1917.
21. Greenwood F, Cressman K, Allen W, et al. Drones para la agricultura. 2016;(82).
22. Grillo Fernández E. Agua y Agricultura Andina. 1988:105–126.
23. Han J, Wei C, Chen Y, et al. Mapping above-ground biomass of winter oilseed
rape using high spatial resolution satellite data at parcel scale under waterlogging
conditions. Remote Sensing of Environment. 2017;9(3). doi:10.3390/rs9030238
24. HIDALGO, Luis y José HIDALGO. 2011. Tratado de Viticultura Tomo I.4ta
edición. Madrid: Mundi-Prensa.
25. HIDALGO, Luis y José HIDALGO. 2011 Tratado de Viticultura Tomo II.4ta
edición. Mundi prensa. España.
26. Hoffmann H, Jensen R, Thomsen A, Nieto H, Rasmussen J, Friborg T. Crop water
stress maps for an entire growing season from visible and thermal UAV imagery.
Biogeosciences. 2016;13(24):6545–6563. doi:10.5194/bg-13-6545-2016
27. Huang X, Zhang Y, Liu Y, Hu Z. Effect of small amount of nitrogen on carbide
characteristics in unidirectional Ni-base superalloy. Metallurgical and Materials
68
Transactions A: Physical Metallurgy and Material Science. 1997;28(10):2143–
2147. doi:10.1007/s11661-997-0172-9
28. Hunt E. R., Doraiswamy PC, McMurtrey JE, Daughtry CST, Perry EM,
Akhmedov B. A visible band index for remote sensing leaf chlorophyll content at
the Canopy scale. International Journal of Applied Earth Observation and
Geoinformation. 2012;21(1):103–112. doi:10.1016/j.jag.2012.07.020
29. Jiménez López, A., Quiroz Medina, M., Acevedo Pérez, O., & Salamanca, J.
(2015). Diagnóstico de Cultivos Utilizando Procesamiento Digital de Imágenes y
Tecnologías de Agricultura de Precisión. INGE CUC, 11(1), 63-71. Recuperado
a partir de https://revistascientificas.cuc.edu.co/ingecuc/article/view/352
30. Klohn W, Appelgren B. Agua y agricultura. Rev CIDOB d’afers International.
1999;(45):5–23. doi:10.2307/40586152
31. Lago, C., Sepúlveda, J., Barroso, R., Fernández, F., Maciá, F., & Lorenzo, J.
(2011). Sistema para la generación automática de mapas de rendimiento.
Aplicación en la agricultura de precisión. IDESIA, 29(1), 59-69.
32. López, P. (2014). Tendencia del índice de vegetación de diferencia normalizada
para una zona del centro de México (Tesis de Titulación). Repositorio de la
Universidad Autónoma de Querétaro, México.
http://ri.uaq.mx/handle/123456789/967
33. March H, Hernández M, Saurí D. Percepción de recursos convencionales y no
convencionales en áreas sujetas a estrés hídrico: El caso de Alicante. Revista de
Geografía Norte Grande. 2015;60:153–172.
34. Marino S, Alvino A. Proximal sensing and vegetation indices for site-specific
evaluation on an irrigated crop tomato. European Journal of Remote Sensing.
2014;47(1):271–283. doi:10.5721/EuJRS20144717
69
35. McDonald AJS, Davies WJ. Keeping in Touch: Responses of the Whole Plant to
Deficits in Water and Nitrogen Supply. Volumen 22. Elsevier Masson SAS; 1996.
doi:10.1016/S0065-2296(08)60059-2
36. McFEETERS S., The use of the Normalized Difference Water Index (NDWI) in
the delineation of open water features, International Journal of Remote Sensing,
1996, 17:7, 1425-1432, DOI: 10.1080/01431169608948714
37. Medrano H, Escalona JM, Cifre J, Bota J, Flexas J. A ten-year study on the
physiology of two Spanish grapevine cultivars under field conditions: Effects of
water availability from leaf photosynthesis to grape yield and quality. Functional
Plant Biology. 2003;30(6):607–619. doi:10.1071/FP02110
38. Meer, F.; Jong, S. 2002. Imaging Spectrometry. Remote Sensing and Digital
Image Processing. Kluwe Academic Publishers. 4: 111- 197.
39. Meneses VAB, Téllez JM, Velásquez DFA. Uso De Drones Para El Análisis De
Imágenes Multiespectrales En Agricultura De Precisión. @limentech, Ciencia y
Tecnología Alimentaria. 2017;13(1):28–40.
doi:10.24054/01204211.v1.n1.2015.1647
40. Mitsikostas E. Trabajo Final de Grado. Universidad Politécnica de Valencia.
2018;(710).
http://fido.palermo.edu/servicios_dyc/proyectograduacion/detalle_proyecto.php?
id_proyecto=2451.
41. Moran MS, Clarke TR, Inoue Y, Vidal A. Estimating crop water deficit using the
relation between surface-air temperature and spectral vegetation index. Remote
Sensing Environment. 1994;49(3):246–263. doi:10.1016/0034-4257(94)90020-5
42. Narváez S, Umaquinga A, Peluffo D. Impacto de la usabilidad de los Drones en
la agregación del valor en la producción. :8.
70
43. PARRA ARENALES IM, GONZALEZ FA. Monitoreo Del Estrés Hídrico En
Plantas Mediante El Uso De Cuadro rotores. 2017:62.
http://repositorio.uts.edu.co:8080/xmlui/bitstream/handle/123456789/4552/R-
DC-96 IMPA DEF.pdf?sequence=1&isAllowed=y.
44. Pesonen L, Mäkynen J, Litkey P, et al. Processing and Assessment of
Spectrometric, Stereoscopic Imagery Collected Using a Lightweight UAV
Spectral Camera for Precision Agriculture. Remote Sens. 2013;5(10):5006–5039.
doi:10.3390/rs5105006
45. Riegonets. (2016). APROPIACIÓN Y USO DE TIC EN EL SECTOR
AGRÍCOLA. Arequipa, Peru: CYTED.
46. Remorini D, Lazzini F, Tuccio L, et al. Potential of a Multiparametric Optical
Sensor for Determining in Situ the Maturity Components of Red and White Vitis
vinifera Wine Grapes. Journal of Agricultural Food Chemistry.
2013;61(50):12211–12218. doi:10.1021/jf405099n
47. REYNIER, Alain. 2002. Manual de viticultura. 68 edición. Mundi-Prensa.
Madrid. España.
48. Robert PC. Precision agriculture: new developments and needs in remote sensing
and technologies. Ecosystems’ Dynamics Agricultural Remote Sensing and
Modeling, and Site-Specific Agriculture. 2004;5153:85. doi:10.1117/12.514608
49. Rodolfo Bongiovanni, Evandro C. Montovani, Stanley Best, Álvaro Roel.
Agricultura de precisión: integrando conocimientos para una agricultura moderna
y sustentable – Montevideo: PROCISUR/IICA 2006. 244 p.
50. Rossi, C., Barrientos, A., del Cerro, J., Gutiérrez, P., Martínez, A., & Martin, R.
S. (2007). Pose Estimation with Multiple Sources Using Evolutionary Algorithms.
71
2007 IEEE International Symposium on Intelligent Signal
Processing. doi:10.1109/wisp.2007.4447597
51. Rouse, J., Haas, R., Schell, J., & Deering, D. (1974). Monitoring vegetation
systems in the great plains with ERTS.
52. Serman FV, Schugurensky C, Carrión R. Evaluación del comportamiento de
sensores de humedad de suelo de desarrollo local, en relación al contenido de agua
ya la textura de suelo, CONAGUA. Mendoza, Argentina. 2005.
53. Short, N. M. 1997. The remote sensing tutorial. An online handbook,
NASA/Goddard Space Flight Center.
54. Soubry I, Patias P, Tsioukas V. Monitoring vineyards with UAV and multi-
sensors for the assessment of water stress and grape maturity. Journal of
Unmanned Vehicle Systems. 2017;5(2):37–50. doi:10.1139/juvs-2016-0024
55. Steven Chan Raymond Hunt, Tom Jackson, John Kimball RB. Soil Moisture
Active Passive (SMAP) Ancillary Data Report: Vegetation Water Content. SMAP
Science Document. 2013;(047).
56. Xiang H, Tian L. Development of a low-cost agricultural remote sensing system
based on an autonomous unmanned aerial vehicle (UAV). Biosystems
Engineering. 2011;108(2):174–190. doi:10.1016/j.biosystemseng.2010.11.010
72
9. ANEXOS
Figura 24 Circuito interno de sensor de humedad
73
Figura 25 Sensor ensamblado con aislante para enterrado en el suelo
Sensor ensamblado con sistema aislante para enterrado en suelo
Figura 26 Multicóptero 3DR Solo
74
Figura 27 Cámara MicaSense RedEdge
Nota. Adaptado de Cámara MicaSense RedEdge (www.micasense.com)
Tabla 10 Especificaciones de Cámara MicaSense RedEdge
Nota. Adaptado de MicaSense, RedEdge (https://micasense.com/rededge-mx/
75
Figura 28 Pesado de muestras en laboratorio para análisis de humedad
Figura 29 Medición de humedad mediante sensores y computador en campo
76
Figura 30 Mapa de NDVI con clasificación no supervisada del 13 de junio del 2018
77
Figura 31 Mapa de NDVI con clasificación no supervisada del 12 de julio del 2018
78
Figura 32 Mapa de NDVI con clasificación no supervisada del 10 de agosto del 2018
79
Figura 33 Mapa de NDVI con Clasificación no supervisada del 20 de septiembre del 2018.
80
Figura 34 Mapa de NDVI con Clasificación no supervisada del 18 de octubre del 2018.
81
Figura 35 Mapa de Clasificación no supervisada del 22 de noviembre del 2018.
82
Figura 36 Mapa de NDWI con clasificación no supervisada del 13 de junio del 2018
83
Figura 37 Mapa de NDWI con clasificación no supervisada del 12 de julio del 2018
84
Figura 38 Mapa de NDWI con clasificación no supervisada del 26 de julio del 2018
85
Figura 39 Mapa de NDWI con clasificación no supervisada del 22 de agosto del 2018
86
Figura 40 Mapa de NDWI con clasificación no supervisada del 20 de septiembre del 2018
87
Figura 41 Mapa de NDWI con clasificación no supervisada del 18 de octubre del 2018
88
Figura 42 Mapa de NDWI con clasificación no supervisada del 22 de noviembre del 2018
89
Tabla 11 Análisis de regresión curvilínea de ndviz1
Standard
Value t-Value Prob>|t| Dependency
Error
A 0.19881 0.01221 16.2797 0 0.94236
B 0.14521 0.00444 32.70152 0 0.99773
C -0.01026 4.30E-04 -23.8507 0 0.9993
D 2.14E-04 1.18E-05 18.1316 0 0.99771
ndviz1
Number of Points 144
Degrees of Freedom 140
Reduced Chi-Sqr 0.00124
Residual Sum of Squares 0.17329
R-Square (COD) 0.93982
Adj. R-Square 0.93853
Fit Status Succeeded(100)
A B C D Statistics
Standard Standard Standard Standard Reduced Adj.
Value Value Value Value
Error Error Error Error Chi-Sqr R-Square
0.19881 0.01221 0.14521 0.00444 -0.01 4.30E-04 2.14E-04 1.18E-05 0.00124 0.93853
Sum of M ean
DF F Value Prob>F
Squares Square
Regression 4 75.46217 18.86554 15241 0
Residual 140 0.17329 0.00124
Uncorrected Total 144 75.63546
Corrected Total 143 2.87955
90
Standard
Error
A 0.2097 0.011 19.06662 0 0.94236
B 0.1442 0.004 36.06014 0 0.99773
C -0.01028 3.88E-04 -26.5233 0 0.9993
D 2.16E-04 1.06E-05 20.29381 0 0.99771
ndviz2
Reduced Chi-Sqr 0.001
A B C D Statistics
0.2097 0.011 0.1442 0.004 -0.01028 3.88E-04 2.16E-04 1.06E-05 0.001 0.94743
Sum of M ean
DF F Value Prob>F
Squares Square
Regression 4 75.70803 18.92701 18852.51 0.000
Residual 140 0.14055 0.001
Standard
Error
A 0.21707 0.01039 20.89498 0 0.94236
B 0.13749 0.00378 36.39877 0 0.99773
C -0.00967 3.66E-04 -26.4258 0 0.9993
D 2.00E-04 1.00E-05 19.8857 0 0.99771
ndviz3
Reduced Chi-Sqr 8.96E-04
A B C D Statistics
0.21707 0.01039 0.13749 0.00378 -0.00967 3.66E-04 2.00E-04 1.00E-05 8.96E-04 0.95004
Sum of M ean
DF F Value Prob>F
Squares Square
Regression 4 73.03293 18.25823 20382.67 0.000
Residual 140 0.12541 8.96E-04
91
Tabla 14 Análisis de regresión curvilínea de ndwz1
Standard
Error
A -0.2689 0.01806 -35.3596 1.09E-74 0.95236
B -0.09416 0.00657 -30.8254 5.77E-66 0.99873
C 0.00689 6.36E-04 24.33633 4.24E-50 0.9994
D -1.5E-04 1.74E-05 -15.6466 2.08E-37 0.98771
ndwiz1
A B C D Statistics
-0.2689 0.01806 -0.09416 0.00657 0.00689 6.36E-04 -1.47E-04 1.74E-05 2.26E-04 0.97108
Sum of M ean
DF F Value Prob>F
Squares Square
Regression 4 4.19679 1.0492 4651.89 0.000
Residual 140 0.0018 2.26E-04
92
Standard
Error
A -0.27708 0.01861 -37.3596 1.08E-74 0.94236
B -0.0915 0.00677 -31.8254 5.76E-66 0.99773
C 0.00665 6.56E-04 23.33633 4.23E-50 0.9993
D -1.4E-04 1.80E-05 -17.6466 2.07E-37 0.99771
ndwz2
A B C D Statistics
-0.27708 0.01861 -0.0915 0.00677 0.00665 6.56E-04 -1.41E-04 1.80E-05 2.39E-04 0.9681
Sum of M ean
DF F Value Prob>F
Squares Square
Regression 4 4.20091 1.05023 4385.79 0.000
Residual 140 0.00192 2.39E-04
Standard
Error
A -0.27995 0.00749 -37.3596 1.08E-74 0.94236
B -0.08671 0.00272 -31.8254 5.76E-66 0.99773
C 0.00616 2.64E-04 23.33633 4.23E-50 0.9993
D -1.3E-04 7.24E-06 -17.6466 2.07E-37 0.99771
ndwiz3
A B C D Statistics
-0.27995 0.00749 -0.08671 0.00272 0.00616 2.64E-04 -1.28E-04 7.24E-06 4.66E-04 0.93332
Sum of M ean
DF F Value Prob>F
Squares Square
Regression 3 0.93418 0.31139 668.15 0.000
Residual 140 0.06525 4.66E-04
93
Tabla 17 Análisis de regresión curvilínea de eviz1
Standard
Error
A 0.05306 0.01392 3.81278 2.05E-04 0.94236
B 0.1262 0.00506 24.94058 2.30E-53 0.99773
C -0.00805 4.90E-04 -16.4107 2.01E-34 0.9993
D 1.5E-04 1.34E-05 11.25405 2.51E-21 0.99771
eviz1
A B C D Statistics
0.05306 0.01392 0.1262 0.00506 -0.00805 4.90E-04 1.51E-04 1.34E-05 1.61E-03 0.92429
Sum of M ean
DF F Value Prob>F
Squares Square
Regression 3 2.81086 0.93695 582.90 0.000
Residual 140 0.22503 1.61E-03
Standard
Error
A 0.05908 0.02868
B 0.12649 0.01043
C -0.00819 1.01E-03
D 1.6E-04 2.77E-05
eviz2
A B C D Statistics
0.05908 0.02868 0.12649 0.01043 -0.00819 1.01E-03 1.57E-04 2.77E-05 5.69E-04 0.97275
Sum of M ean
DF F Value Prob>F
Squares Square
Regression 4 3.80942 0.95236 1673.51 0.000
Residual 140 0.00455 5.69E-04
94
Standard
Error
A 0.06571 0.02942
B 0.12295 0.0107
C -0.00803 1.04E-03
D 1.5E-04 2.84E-05
eviz3
A B C D Statistics
0.06571 0.02942 0.12295 0.0107 -0.00803 1.04E-03 1.54E-04 2.84E-05 5.99E-04 0.96872
Sum of M ean
DF F Value Prob>F
Squares Square
Regression 4 3.62254 0.90564 1512.67 0.000
Residual 140 0.00479 5.99E-04
Tabla 20 Análisis de regresión curvilínea de tcariz1
Standard
Error
A 0.26498 0.02318 11.42931 8.83E-22 0.94236
B -0.06712 0.00843 -7.96203 5.25E-13 0.99773
C 0.00469 8.17E-04 5.74058 5.62E-08 0.9993
D -7.8E-05 2.24E-05 -3.47007 6.92E-04 0.99771
tcariz1
A B C D Statistics
0.26498 0.02318 -0.06712 0.00843 0.00469 8.17E-04 -7.77E-05 2.24E-05 4.46E-03 0.64264
Sum of M ean
DF F Value Prob>F
Squares Square
Regression 3 1.16059 0.38686 86.72 0.000
Residual 140 0.62455 4.46E-03
95
Standard
Error
A 0.27479 0.02189 12.55488 1.09E-24 0.94236
B -0.07158 0.00796 -8.99495 1.50E-15 0.99773
C 0.00515 7.71E-04 6.67448 5.36E-10 0.9993
D -9.0E-05 2.11E-05 -4.26396 3.67E-05 0.99771
tcariz2
A B C D Statistics
0.27479 0.02189 -0.07158 0.00796 0.00515 7.71E-04 -9.01E-05 2.11E-05 0.00398 0.67558
Sum of M ean
DF F Value Prob>F
Squares Square
Regression 3 1.19593 0.39864 100.26 0.000
Residual 140 0.55664 3.98E-03
Standard
Error
A 0.26062 0.06901 12.57489 1.09E-24 0.93235
B -0.06323 0.02509 -8.99956 1.50E-15 0.99874
C 0.00461 2.43E-03 6.64488 5.46E-10 0.9992
D -8.1E-05 6.67E-05 -4.26795 3.87E-05 0.99774
tcariz3
A B C D Statistics
0.26062 0.06901 -0.06323 0.02509 0.00461 2.43E-03 -8.14E-05 6.67E-05 3.29E-03 0.66673
Sum of M ean
DF F Value Prob>F
Squares Square
Regression 4 0.217 0.05425 16.47 0.001
Residual 140 0.02635 3.29E-03
96
Tabla 23 Análisis descriptivo de las variables
Desviación Coeficiente
Variables Media Curtosis Rango Mínimo Máximo Suma
estándar de asimetría
ndvi_z1 0.711 0.142 2.640 -1.851 0.584 0.260 0.844 102.356
ndvi_z2 0.713 0.138 2.686 -1.858 0.562 0.279 0.841 102.610
ndvi_z3 0.700 0.134 2.330 -1.750 0.534 0.298 0.832 100.825
ndwi_z1 -0.585 0.087 2.127 1.645 0.381 -0.689 -0.308 -84.303
ndwi_z2 -0.586 0.085 2.049 1.610 0.369 -0.683 -0.313 -84.379
ndwi_z3 -0.579 0.084 1.606 1.511 0.341 -0.679 -0.338 -83.435
evi_z1 0.546 0.146 1.106 -1.405 0.605 0.152 0.757 78.640
evi_z2 0.547 0.142 1.127 -1.438 0.564 0.165 0.729 78.700
evi_z3 0.534 0.136 0.974 -1.356 0.534 0.176 0.710 76.839
tcari_z1 0.091 0.112 -0.790 -0.526 0.446 -0.184 0.262 13.069
tcari_z2 0.092 0.111 -1.027 -0.461 0.433 -0.168 0.265 13.236
tcari_z3 0.106 0.101 -0.917 -0.493 0.368 -0.115 0.253 15.253
Hum. Hoja 72.237 3.142 0.561 -0.803 17.380 60.590 77.970 10402.147
Hum. Suelo 10.579 4.181 2.487 1.377 22.192 4.859 27.051 1523.422
Hum. S25 37.361 25.678 0.248 0.803 100.000 0.000 100.000 5380.000
Hum. S50 43.146 26.318 -0.332 0.336 100.000 0.000 100.000 6213.000
Area Hojas 355.689 123.798 2.877 1.290 697.153 99.798 796.950 51219.282
Tabla 24 Cuadro de correlaciones entre el NDVI, NDWI y humedades evaluadas de suelo

y hoja en la vid para el periodo de junio-agosto de 2018
Variables NDVI_Z1 NDVI_Z2 NDVI_Z3 NDWI_Z1 NDWI_Z2 NDWI_Z3 Hum. Hoja Hum. Suelo Hum. S. 25 Hum. S. 50
NDVI_Z1 1
NDVI_Z2 0.99389897 1
NDVI_Z3 0.9918594 0.99637766 1
NDWI_Z1 -0.9954696 -0.9915285 -0.9908453 1
NDWI_Z2 -0.9909397 -0.9965377 -0.9935729 0.99449272 1
NDWI_Z3 -0.9672968 -0.9788042 -0.9819586 0.969097 0.98060922 1
Hum. Hoja 0.50495086 0.51722241 0.50200521 -0.4923174 -0.4945616 -0.459182 1
Hum. Suelo -0.2763764 -0.3018351 -0.2833596 0.26783532 0.28388152 0.28555246 -0.2778578 1
Hum. S. 25 0.02468249 0.04472801 0.03703973 -0.0286721 -0.0492805 -0.0436759 0.03609878 -0.0342951 1
Hum. S. 50 0.15651112 0.16133232 0.16398978 -0.1371724 -0.1450526 -0.1270542 0.13148958 -0.1543086 -0.0129312 1
97
Tabla 25 Valores Promedio por zona del vuelo de 13 de junio de 2018
INDIVIDUO FECHA NDVI_Z1 NDVI_Z2 NDVI_Z3 NDWI_Z1 NDWI_Z2 NDWI_Z3 EVI_Z1 EVI_Z2 EVI_Z3 TCARI_Z1 TCARI_Z2 TCARI_Z3
F1M1 13/06/2018 0.31213 0.29464 0.32881 -0.35424 -0.34506 -0.36888 0.17564 0.17256 0.19442 0.10654 0.10393 0.12574
F1M2 13/06/2018 0.26664 0.28122 0.29941 -0.30844 -0.31328 -0.33818 0.15716 0.16559 0.17602 0.10776 0.115 0.11638
F1M3 13/06/2018 0.30751 0.32217 0.33025 -0.33104 -0.34371 -0.3495 0.17546 0.18607 0.19241 0.12271 0.12955 0.1342
F1M4 13/06/2018 0.32351 0.35612 0.35137 -0.34871 -0.36969 -0.36644 0.19049 0.21208 0.20565 0.1357 0.153 0.14501
F1M5 13/06/2018 0.34185 0.34544 0.33648 -0.3645 -0.36827 -0.36626 0.19836 0.20006 0.19811 0.14289 0.14145 0.13418
F1M6 13/06/2018 0.41279 0.40608 0.3825 -0.39918 -0.40064 -0.39899 0.23733 0.23999 0.23358 0.16378 0.16618 0.15313
F2M1 13/06/2018 0.2746 0.27945 0.29752 -0.3492 -0.35091 -0.35524 0.16247 0.16513 0.18042 0.09725 0.09963 0.11711
F2M2 13/06/2018 0.26037 0.28685 0.30461 -0.33039 -0.34908 -0.34789 0.15196 0.17026 0.18143 0.09384 0.1102 0.12239
F2M3 13/06/2018 0.34433 0.33147 0.32539 -0.3541 -0.3509 -0.35937 0.19641 0.19236 0.18949 0.13465 0.13128 0.12885
F2M4 13/06/2018 0.34539 0.37999 0.34644 -0.36688 -0.38575 -0.36848 0.19241 0.21519 0.20013 0.12878 0.14733 0.1357
F2M5 13/06/2018 0.3394 0.34176 0.35274 -0.35962 -0.36371 -0.36864 0.19655 0.19394 0.20361 0.13153 0.12744 0.13561
F2M6 13/06/2018 0.3441 0.37092 0.36313 -0.36542 -0.38252 -0.37788 0.18957 0.21578 0.22107 0.12647 0.14882 0.14817
INDIVIDUO FECHA
F1M1 13/
F1M2 13/
F1M3 13/
F1M4 13/
F1M5 13/
F1M6 13/
F2M1 13/
98
F2M2 13/
F2M3 13/
F2M4 13/
F2M5 13/
F2M6 13/
99
Tabla 26 Valores Promedio por zona del vuelo de 28 de junio de 2018
F1M1 28/06/2018 0.48215 0.46749 0.48536 -0.44827 -0.44464 -0.4463 0.26649 0.27235 0.28745 0.16799 0.17647 0.16736
F1M2 28/06/2018 0.47443 0.4626 0.47742 -0.43513 -0.42892 -0.44473 0.27973 0.26895 0.28166 0.19289 0.18474 0.18495
F1M3 28/06/2018 0.52371 0.52904 0.53027 -0.46567 -0.46726 -0.47124 0.31049 0.30607 0.31201 0.19475 0.1876 0.18674
F1M4 28/06/2018 0.55504 0.57527 0.57757 -0.48957 -0.50098 -0.49879 0.3453 0.35667 0.34452 0.20784 0.20399 0.19065
F1M5 28/06/2018 0.52851 0.57067 0.55345 -0.46658 -0.4858 -0.48552 0.3453 0.35097 0.33417 0.20172 0.20689 0.19596
F1M6 28/06/2018 0.62065 0.64081 0.59989 -0.52862 -0.54054 -0.51654 0.40745 0.42402 0.38505 0.207 0.20689 0.19895
F2M1 28/06/2018 0.41889 0.47284 0.46632 -0.42927 -0.45359 -0.44978 0.23806 0.27295 0.27604 0.15416 0.17206 0.17275
F2M2 28/06/2018 0.47086 0.49604 0.50628 -0.4484 -0.45955 -0.46242 0.29404 0.30088 0.29964 0.1982 0.19463 0.18947
F2M3 28/06/2018 0.54564 0.54856 0.54673 -0.47185 -0.47772 -0.48668 0.29946 0.31633 0.33143 0.17893 0.1868 0.19592
F2M4 28/06/2018 0.62623 0.63135 0.58093 -0.53013 -0.53284 -0.50635 0.39239 0.39593 0.36163 0.20167 0.19977 0.2025
F2M5 28/06/2018 0.66158 0.5925 0.59164 -0.54599 -0.50904 -0.51202 0.45591 0.3854 0.38105 0.20513 0.21661 0.2097
F2M6 28/06/2018 0.68252 0.62051 0.60433 -0.57909 -0.54114 -0.37788 0.45852 0.40982 0.41645 0.16927 0.1994 0.20727
100
Tabla 27 Valores Promedio por zona del vuelo de 07 de julio de 2018
F1M1 12/07/2018 0.69684 0.68415 0.66484 -0.59073 -0.56274 -0.5529 0.44432 0.42505 0.42654 0.12282 0.14555 0.13263
F1M2 12/07/2018 0.66504 0.68438 0.67255 -0.56984 -0.56295 -0.55286 0.43392 0.44619 0.44342 0.16122 0.16033 0.1569
F1M3 12/07/2018 0.65809 0.70683 0.69879 -0.56415 -0.57683 -0.56784 0.44209 0.48783 0.4733 0.1622 0.13752 0.13102
F1M4 12/07/2018 0.72982 0.73455 0.72398 -0.60355 -0.59543 -0.58293 0.51725 0.50869 0.50054 0.1125 0.10328 0.1158
F1M5 12/07/2018 0.72916 0.71899 0.69429 -0.5959 -0.58183 -0.56371 0.52522 0.49602 0.46771 0.13774 0.13434 0.14449
F1M6 12/07/2018 0.70608 0.72986 0.68829 -0.58899 -0.59897 -0.5672 0.49866 0.51979 0.4896 0.15881 0.12802 0.15566
F2M1 12/07/2018 0.66106 0.70141 0.68389 -0.56259 -0.57391 -0.56548 0.43155 0.47275 0.45927 0.15732 0.14367 0.14568
F2M2 12/07/2018 0.69078 0.70619 0.71553 -0.59878 -0.58587 -0.58527 0.46543 0.46865 0.48269 0.12986 0.12729 0.12985
F2M3 12/07/2018 0.67557 0.71572 0.72942 -0.60983 -0.60135 -0.59821 0.44066 0.45969 0.48949 0.1342 0.11783 0.10457
F2M4 12/07/2018 0.75997 0.77327 0.7478 -0.62747 -0.62835 -0.60767 0.52509 0.53636 0.5268 0.07124 0.05318 0.09036
F2M5 12/07/2018 0.73911 0.74411 0.74383 -0.6101 -0.60466 -0.60684 0.50175 0.50857 0.53145 0.0984 0.08992 0.10269
F2M6 12/07/2018 0.75763 0.75494 0.72454 -0.61372 -0.61164 -0.59578 0.57934 0.56711 0.54161 0.10918 0.11251 0.11806
101
Tabla 28 Valores Promedio por zona del vuelo de 26 de julio de 2018
F1M1 26/07/2018 0.79252 0.79876 0.77332 -0.65349 -0.65214 -0.63435 0.57748 0.59825 0.57945 0.01941 -0.00075 0.02861
F1M2 26/07/2018 0.80586 0.80807 0.79419 -0.65874 -0.66073 -0.6477 0.57878 0.58851 0.58181 -0.02285 -0.03444 -0.0025
F1M3 26/07/2018 0.80986 0.82459 0.80887 -0.6566 -0.67434 -0.66286 0.58682 0.62574 0.6039 -0.00927 -0.05572 -0.03618
F1M4 26/07/2018 0.83333 0.83346 0.81628 -0.68398 -0.68263 -0.66684 0.64227 0.65206 0.62211 -0.09257 -0.1037 -0.05409
F1M5 26/07/2018 0.78976 0.80712 0.78826 -0.6334 -0.65135 -0.64 0.54407 0.59946 0.57361 0.02537 -0.00745 0.00849
F1M6 26/07/2018 0.79664 0.80303 0.78351 -0.65667 -0.65409 -0.6352 0.59373 0.59837 0.57718 0.0102 -0.00536 0.03446
F2M1 26/07/2018 0.78228 0.81348 0.74743 -0.64001 -0.66427 -0.655 0.54991 0.61966 0.60421 0.03826 -0.0437 -0.02068
F2M2 26/07/2018 0.83411 0.83261 0.81761 -0.67465 -0.67504 -0.67107 0.65076 0.65355 0.6312 -0.0679 -0.06628 -0.06017
F2M3 26/07/2018 0.84446 0.82858 0.81842 -0.68923 -0.67575 -0.67464 0.66575 0.622 0.63309 -0.15954 -0.09681 -0.07456
F2M4 26/07/2018 0.83154 0.84105 0.82522 -0.67033 -0.68013 -0.67896 0.63512 0.66287 0.64528 -0.0822 -0.10845 -0.09268
F2M5 26/07/2018 0.83426 0.83587 0.82184 -0.68014 -0.68192 -0.67924 0.63835 0.65157 0.64292 -0.09166 -0.12429 -0.08884
F2M6 26/07/2018 0.83794 0.82516 0.80712 -0.68624 -0.67378 -0.67181 0.70081 0.65498 0.63707 -0.12051 -0.06191 -0.05293
102
Tabla 29 Valores Promedio por zona del vuelo de 10 de agosto de 2018
F1M1 10/08/2018 0.8181 0.81063 0.79659 -0.67087 -0.66284 -0.64523 0.64239 0.6318 0.62201 -0.06389 -0.04262 -0.00004
F1M2 10/08/2018 0.83904 0.83056 0.81324 -0.67453 -0.66572 -0.65291 0.75664 0.72053 0.68178 -0.09811 -0.06463 -0.01147
F1M3 10/08/2018 0.83484 0.83076 0.8184 -0.66091 -0.66139 -0.65375 0.73746 0.72911 0.69098 -0.05531 -0.05383 -0.04331
F1M4 10/08/2018 0.83514 0.82659 0.80935 -0.67779 -0.66819 -0.64807 0.69738 0.6941 0.66087 -0.11521 -0.09306 -0.03838
F1M5 10/08/2018 0.79877 0.80681 0.78832 -0.63301 -0.64395 -0.62716 0.62052 0.63077 0.61194 -0.01127 -0.04413 0.01907
F1M6 10/08/2018 0.80502 0.78816 0.76802 -0.63917 -0.62784 -0.61805 0.65578 0.62303 0.60235 0.04933 0.0765 0.08344
F2M1 10/08/2018 0.81894 0.82112 0.81661 -0.64828 -0.65217 -0.65346 0.63986 0.64795 0.65474 -0.08143 -0.07691 -0.06465
F2M2 10/08/2018 0.84268 0.83797 0.83177 -0.67418 -0.66954 -0.66087 0.69528 0.68291 0.69877 -0.1518 -0.12746 -0.10654
F2M3 10/08/2018 0.81724 0.82397 0.82948 -0.637 -0.64351 -0.65591 0.67329 0.68108 0.69257 -0.00033 -0.05017 -0.09625
F2M4 10/08/2018 0.81875 0.82418 0.8306 -0.64341 -0.64995 -0.66049 0.65619 0.68337 0.70404 -0.0896 -0.11092 -0.11453
F2M5 10/08/2018 0.83927 0.83525 0.82831 -0.6782 -0.6751 -0.66376 0.72901 0.71453 0.71004 -0.18388 -0.16846 -0.1
F2M6 10/08/2018 0.81096 0.81768 0.79935 -0.64609 -0.65497 -0.64933 0.67295 0.69354 0.70321 -0.00393 -0.03788 0.0266
103
Tabla 30 Valores Promedio por zona del vuelo de 22 de agosto de 2018
F1M1 22/08/2018 0.81397 0.80623 0.78942 -0.66189 -0.65538 -0.64085 0.6621 0.63737 0.61006 -0.01577 0.0092 0.03296
F1M2 22/08/2018 0.82498 0.81972 0.80564 -0.6698 -0.66263 -0.65035 0.68792 0.66386 0.63691 -0.04974 -0.03819 -0.00449
F1M3 22/08/2018 0.82532 0.82245 0.81207 -0.65325 -0.6509 -0.65124 0.6555 0.65709 0.64542 -0.06243 -0.05916 -0.02861
F1M4 22/08/2018 0.82137 0.81924 0.80318 -0.65771 -0.65662 -0.64294 0.68257 0.68076 0.63404 -0.05926 -0.04583 -0.00268
F1M5 22/08/2018 0.79898 0.80062 0.78446 -0.63462 -0.63696 -0.62655 0.6066 0.60874 0.5915 0.01334 0.01043 0.04723
F1M6 22/08/2018 0.79319 0.78062 0.75881 -0.63686 -0.62628 -0.61462 0.6025 0.58386 0.56669 0.0475 0.07596 0.09071
F2M1 22/08/2018 0.81762 0.81634 0.80848 -0.65948 -0.65622 -0.65416 0.66514 0.65727 0.64979 -0.0469 -0.03732 -0.02378
F2M2 22/08/2018 0.82346 0.82785 0.81935 -0.65753 -0.66578 -0.65685 0.66281 0.67818 0.66834 -0.05222 -0.08293 -0.05417
F2M3 22/08/2018 0.81883 0.82238 0.8224 -0.65297 -0.65762 -0.6603 0.68932 0.67699 0.67516 -0.05263 -0.06665 -0.06518
F2M4 22/08/2018 0.82688 0.82309 0.82314 -0.66146 -0.65598 -0.66062 0.68132 0.67278 0.67604 -0.07897 -0.06752 -0.07108
F2M5 22/08/2018 0.83601 0.82907 0.81531 -0.67302 -0.66726 -0.65549 0.69115 0.68696 0.66635 -0.15983 -0.12603 -0.05624
F2M6 22/08/2018 0.81828 0.81462 0.78843 -0.66491 -0.66241 -0.64633 0.66298 0.66043 0.64097 -0.11713 -0.08676 0.00475
104
Tabla 31 Valores Promedio por zona del vuelo de 05 de septiembre de 2018
F1M1 05/09/2018 0.804 0.80815 0.78216 -0.65482 -0.65615 -0.63747 0.6159 0.63565 0.60455 -0.05049 -0.0539 0.02116
F1M2 05/09/2018 0.80162 0.79893 0.79043 -0.62822 -0.63119 -0.6376 0.65128 0.63981 0.62708 -0.01565 -0.00701 0.02084
F1M3 05/09/2018 0.799 0.80318 0.78976 -0.63729 -0.64527 -0.63729 0.6556 0.65839 0.63482 0.00092 -0.01706 0.01301
F1M4 05/09/2018 0.80168 0.79768 0.78106 -0.64349 -0.64575 -0.63172 0.65375 0.65219 0.62082 0.00336 0.01913 0.04208
F1M5 05/09/2018 0.78861 0.78418 0.76943 -0.63353 -0.62922 -0.62416 0.62445 0.60964 0.58596 0.05054 0.06041 0.07273
F1M6 05/09/2018 0.78023 0.77332 0.73754 -0.63183 -0.63112 -0.60587 0.59983 0.59157 0.55683 0.06357 0.08283 0.11574
F2M1 05/09/2018 0.80354 0.80266 0.79465 -0.64452 -0.65008 -0.6465 0.66067 0.6509 0.62724 -0.00922 -0.00347 -0.0102
F2M2 05/09/2018 0.81706 0.80875 0.80243 -0.65532 -0.64753 -0.64247 0.67591 0.65571 0.64612 -0.08716 -0.05375 -0.02089
F2M3 05/09/2018 0.80278 0.80666 0.80072 -0.63982 -0.64373 -0.64328 0.6384 0.64814 0.64249 -0.02616 -0.03953 -0.02354
F2M4 05/09/2018 0.80868 0.80221 0.79777 -0.65064 -0.644 -0.64047 0.66821 0.64452 0.64202 -0.04163 -0.01831 -0.01514
F2M5 05/09/2018 0.79155 0.80222 0.79828 -0.6335 -0.64436 -0.64133 0.61675 0.64463 0.64926 -0.00249 -0.03831 -0.02067
F2M6 05/09/2018 0.78849 0.79582 0.7662 -0.62803 -0.6361 -0.62734 0.65614 0.67364 0.62022 0.04639 0.02079 0.03637
105
Tabla 32 Valores Promedio por zona del vuelo de 20 de septiembre de 2018
F1M1 20/09/2018 0.7943 0.79241 0.76778 -0.63788 -0.63585 -0.61881 0.64552 0.64486 0.60364 0.03316 0.04352 0.08948
F1M2 20/09/2018 0.79575 0.79285 0.78229 -0.61885 -0.61776 -0.62271 0.66205 0.64281 0.6251 0.01825 0.03008 0.05867
F1M3 20/09/2018 0.80772 0.79888 0.78478 -0.63341 -0.63103 -0.6248 0.6586 0.64235 0.62855 -0.00757 0.03019 0.06325
F1M4 20/09/2018 0.76941 0.77553 0.77169 -0.58623 -0.60266 -0.61326 0.6 0.6182 0.60785 0.12808 0.11509 0.09902
F1M5 20/09/2018 0.77922 0.77911 0.76514 -0.61684 -0.61503 -0.61016 0.61627 0.60631 0.57909 0.09299 0.08812 0.10167
F1M6 20/09/2018 0.77022 0.75844 0.72596 -0.618 -0.61671 -0.58847 0.59074 0.57145 0.552 0.10661 0.12495 0.15984
F2M1 20/09/2018 0.78453 0.78691 0.78431 -0.62195 -0.628 -0.6361 0.62284 0.63389 0.62777 0.05733 0.04762 0.15984
F2M2 20/09/2018 0.80851 0.80297 0.78845 -0.64759 -0.64351 -0.63069 0.66463 0.65905 0.645 0.01523 0.03035 0.05703
F2M3 20/09/2018 0.76352 0.7639 0.78018 -0.58404 -0.58249 -0.61777 0.62473 0.62221 0.64185 0.11263 0.11951 0.08038
F2M4 20/09/2018 0.78977 0.78853 0.78563 -0.62998 -0.62352 -0.62417 0.64805 0.6385 0.64225 0.0312 0.03213 0.05058
F2M5 20/09/2018 0.78061 0.78226 0.78855 -0.59927 -0.60874 -0.62701 0.61606 0.62632 0.63999 0.06783 0.05908 0.04243
F2M6 20/09/2018 0.78496 0.78194 0.74752 -0.62021 -0.62053 -0.60841 0.64823 0.64237 0.60413 0.08829 0.09603 0.10614
106
Tabla 33 Valores Promedio por zona del vuelo de 05 de octubre de 2018
F1M1 05/10/2018 0.75831 0.75332 0.73002 -0.60427 -0.60706 -0.5976 0.62304 0.60426 0.57911 0.13198 0.13991 0.1714
F1M2 05/10/2018 0.75173 0.7526 0.74271 -0.60462 -0.60617 -0.60626 0.6197 0.61486 0.59504 0.15832 0.15086 0.15919
F1M3 05/10/2018 0.75985 0.75611 0.74305 -0.62217 -0.61667 -0.60374 0.62056 0.61742 0.59512 0.13941 0.14458 0.1683
F1M4 05/10/2018 0.75201 0.74853 0.73885 -0.61201 -0.60924 -0.60375 0.60186 0.59185 0.5877 0.14599 0.14934 0.17066
F1M5 05/10/2018 0.73853 0.74569 0.73119 -0.59415 -0.60136 -0.59504 0.57465 0.59073 0.57019 0.17357 0.16553 0.18065
F1M6 05/10/2018 0.74722 0.73071 0.69656 -0.61972 -0.59931 -0.57811 0.58016 0.55876 0.53637 0.15837 0.18171 0.20799
F2M1 05/10/2018 0.76756 0.76174 0.75351 -0.59935 -0.60147 -0.60607 0.66623 0.66299 0.53637 0.2316 0.23878 0.19146
F2M2 05/10/2018 0.77186 0.77213 0.75918 -0.63557 -0.63681 -0.61903 0.69237 0.68414 0.66093 0.13541 0.13211 0.18565
F2M3 05/10/2018 0.72568 0.73596 0.75225 -0.56403 -0.57555 -0.61019 0.5809 0.59209 0.62455 0.20037 0.17498 0.15553
F2M4 05/10/2018 0.75326 0.74902 0.74826 -0.60214 -0.60415 -0.60645 0.60618 0.60356 0.60019 0.14852 0.15594 0.14689
F2M5 05/10/2018 0.75821 0.75632 0.7497 -0.61432 -0.61226 -0.60704 0.61268 0.60966 0.60224 0.12258 0.13484 0.15041
F2M6 05/10/2018 0.73991 0.74448 0.72803 -0.59997 -0.60337 -0.6002 0.60522 0.61666 0.57916 0.1864 0.17808 0.17589
107
Tabla 34 Valores Promedio por zona del vuelo de 18 de octubre de 2018
F1M1 18/10/2018 0.76587 0.75719 0.74109 -0.60373 -0.60608 -0.60108 0.62982 0.60274 0.58765 0.10623 0.12763 0.15484
F1M2 18/10/2018 0.75516 0.75064 0.74591 -0.60447 -0.5987 -0.60297 0.60925 0.6028 0.59748 0.14039 0.15052 0.1591
F1M3 18/10/2018 0.75383 0.75321 0.7461 -0.60269 -0.60337 -0.60088 0.61267 0.61084 0.59305 0.1575 0.15839 0.15654
F1M4 18/10/2018 0.75695 0.75775 0.74274 -0.60757 -0.60762 -0.59909 0.59989 0.60273 0.58367 0.14243 0.1428 0.16184
F1M5 18/10/2018 0.7415 0.74363 0.73478 -0.58957 -0.58923 -0.58669 0.58905 0.5901 0.56624 0.17648 0.16969 0.16563
F1M6 18/10/2018 0.7338 0.72909 0.6945 -0.58878 -0.58538 -0.5668 0.58207 0.5719 0.52869 0.19439 0.1962 0.202
F2M1 18/10/2018 0.76232 0.76381 0.75531 -0.61787 -0.61974 -0.61713 0.60673 0.61635 0.59963 0.12224 0.12355 0.12699
F2M2 18/10/2018 0.7564 0.75816 0.75093 -0.5987 -0.60289 -0.6019 0.62862 0.61735 0.60122 0.14944 0.14084 0.15008
F2M3 18/10/2018 0.75454 0.75323 0.7513 -0.59918 -0.59782 -0.60267 0.6056 0.60352 0.60112 0.14208 0.14521 0.14733
F2M4 18/10/2018 0.76545 0.75609 0.75032 -0.61813 -0.60967 -0.60469 0.61753 0.60221 0.59868 0.11796 0.1375 0.14584
F2M5 18/10/2018 0.76859 0.76371 0.74908 -0.62044 -0.61841 -0.60001 0.61811 0.60924 0.59828 0.09191 0.10521 0.15333
F2M6 18/10/2018 0.73196 0.74021 0.70815 -0.58633 -0.58979 -0.58108 0.58514 0.59754 0.55444 0.18943 0.17769 0.18167
108
Tabla 35 Valores Promedio por zona del vuelo de 07 de noviembre de 2018
F1M1 07/11/2018 0.69368 0.70054 0.68725 -0.55776 -0.56883 -0.57213 0.53265 0.54497 0.52997 0.23165 0.22415 0.21939
F1M2 07/11/2018 0.71476 0.71712 0.6965 -0.58798 -0.58882 -0.57039 0.56974 0.5669 0.54241 0.21133 0.20691 0.2289
F1M3 07/11/2018 0.69558 0.70305 0.69538 -0.55113 -0.56203 -0.56828 0.54784 0.54996 0.53669 0.25365 0.23769 0.22654
F1M4 07/11/2018 0.71051 0.71033 0.6964 -0.58207 -0.58325 -0.56829 0.54349 0.54959 0.53648 0.21021 0.2135 0.22845
F1M5 07/11/2018 0.69886 0.70409 0.6918 -0.55168 -0.55795 -0.55859 0.52377 0.53284 0.52345 0.22283 0.21711 0.22624
F1M6 07/11/2018 0.70533 0.69316 0.65622 -0.57446 -0.56294 -0.53941 0.5427 0.523 0.4852 0.22592 0.23167 0.23896
F2M1 07/11/2018 0.72369 0.72524 0.71425 -0.58924 -0.58947 -0.58966 0.56404 0.56374 0.55392 0.19191 0.19066 0.20136
F2M2 07/11/2018 0.72583 0.71635 0.70805 -0.58939 -0.57876 -0.57498 0.57145 0.56354 0.55055 0.20068 0.21477 0.21929
F2M3 07/11/2018 0.71365 0.72025 0.71221 -0.57916 -0.58355 -0.57949 0.55658 0.56435 0.55393 0.2169 0.20661 0.21341
F2M4 07/11/2018 0.71709 0.71126 0.71072 -0.57615 -0.57576 -0.58059 0.56259 0.55019 0.55576 0.21645 0.21722 0.21778
F2M5 07/11/2018 0.7159 0.71994 0.7076 -0.58438 -0.58915 -0.57381 0.55673 0.56517 0.55645 0.19835 0.19822 0.22511
F2M6 07/11/2018 0.70383 0.71269 0.68321 -0.57228 -0.57655 -0.56457 0.54791 0.56649 0.52811 0.23273 0.22698 0.23253
109
Tabla 36 Valores Promedio por zona del vuelo de 22 de noviembre de 2018
FECHA NDVI_Z1 NDVI_Z2 NDVI_Z3 NDWI_Z1 NDWI_Z2 NDWI_Z3 EVI_Z1 EVI_Z2 EVI_Z3 TCARI_Z1 TCARI_Z2 TCARI_Z3
22/11/2018 0.68605 0.68707 0.66664 -0.57609 -0.57575 -0.57104 0.53128 0.53653 0.51617 0.23346 0.23375 0.23706
22/11/2018 0.69171 0.69118 0.67778 -0.56921 -0.56851 -0.56544 0.54398 0.5396 0.52131 0.24505 0.24174 0.24026
22/11/2018 0.68573 0.6935 0.67939 -0.564 -0.57032 -0.56289 0.52192 0.53623 0.52121 0.23864 0.23596 0.24036
22/11/2018 0.69086 0.69369 0.68113 -0.57163 -0.57209 -0.56269 0.52772 0.53055 0.51557 0.23394 0.231 0.23075
22/11/2018 0.705 0.69641 0.67398 -0.5691 -0.56355 -0.55134 0.54618 0.5308 0.5034 0.22867 0.23104 0.23263
22/11/2018 0.6823 0.67752 0.63476 -0.55262 -0.55094 -0.52463 0.50917 0.50058 0.46725 0.23811 0.23627 0.24763
22/11/2018 0.71352 0.70892 0.63476 -0.59625 -0.59247 -0.57904 0.55461 0.549 0.5309 0.19913 0.20574 0.22171
22/11/2018 0.69794 0.69282 0.68402 -0.57816 -0.56952 -0.56871 0.53816 0.53807 0.52786 0.21921 0.23299 0.23607
22/11/2018 0.69748 0.69657 0.68607 -0.57687 -0.57446 -0.56408 0.53596 0.53758 0.53109 0.22232 0.22614 0.24089
22/11/2018 0.6885 0.68481 0.68678 -0.55942 -0.55474 -0.56547 0.53086 0.5303 0.53248 0.24576 0.25089 0.23996
22/11/2018 0.6968 0.70087 0.68591 -0.5766 -0.57894 -0.55961 0.5294 0.54884 0.53409 0.21648 0.22406 0.24646
22/11/2018 0.69345 0.68638 0.6583 -0.55577 -0.55261 -0.54633 0.55593 0.54324 0.50688 0.26247 0.26452 0.25308
110
Tabla 37 Valores de Humedad de suelo, Hojas y área foliar del mes junio de 2018
INDIVIDUO FECHA HUM. HOJA HUM. SUELO HUM. S25 HUM. S50 AREA HOJAS
F1M1 28/06/2018 76.50602 11.29119 16 3 206.4715
F1M2 28/06/2018 74.83871 9.72711 32 47 215.0178
F1M3 28/06/2018 75.3012 13.4542 41 48 243.5137
F1M4 28/06/2018 75 10.03 42 39 288.4108
F1M5 28/06/2018 75.23364 6.08045 52 31 267.3873
F1M6 28/06/2018 77.24138 5.62814 61 31 250.2902
F2M1 28/06/2018 76.53061 7.37387 61 83 261.8802
F2M2 28/06/2018 77.39726 7.64885 31 27 195.9539
F2M3 28/06/2018 76.61692 7.77224 71 36 291.9222
F2M4 28/06/2018 75.39267 6.96907 24 69 225.8688
F2M5 28/06/2018 74.85714 6.31632 8 45 203.4541
F2M6 28/06/2018 75.52083 12.53456 35 68 279.3659
F1M1 13/06/2018 69.69697 25.85488 15 6 194.1936
F1M2 13/06/2018 68.25397 11.73969 29 79 166.3912
F1M3 13/06/2018 73.84615 13.33333 37 91 198.9228
F1M4 13/06/2018 70.96774 5.87664 31 100 191.4674
F1M5 13/06/2018 71.875 8.09339 59 39 177.176
F1M6 13/06/2018 72.85714 11.65342 11 27 219.2246
F2M1 13/06/2018 64.10256 9.2233 49 0 105.6408
F2M2 13/06/2018 70.37037 10.28636 100 40 99.7976
F2M3 13/06/2018 71.15385 10.36003 55 1 134.36
F2M4 13/06/2018 71.42857 11.44086 2 3 133.7676
F2M5 13/06/2018 70.68966 10.25265 31 1 175.0766
F2M6 13/06/2018 71.73913 12.43446 10 41 147.3684
111
Tabla 38 Valores de Humedad de suelo, Hojas y área foliar del mes julio de 2018
INDIVIDUO fecha Hum. Hoja Hum. Suelo Hum. S25 Hum. S50 Area Hojas
F1M1 26/07/2018 74.09836 13.94882 29 47 595.1719
F1M2 26/07/2018 74.33628 10.17722 32 53 634.846
F1M3 26/07/2018 75.94203 16.49428 29 35 672.738
F1M4 26/07/2018 75 9.20398 59 57 718.0801
F1M5 26/07/2018 75.46012 8.99517 32 47 796.9504
F1M6 26/07/2018 74.35065 8.49732 34 59 702.0493
F2M1 26/07/2018 75.94502 7.3689 100 0 721.9462
F2M2 26/07/2018 75.75 9.59885 95 40 743.2001
F2M3 26/07/2018 77.30263 7.05831 2 1 690.1816
F2M4 26/07/2018 76.16822 6.02467 0 100 604.0877
F2M5 26/07/2018 73.38403 4.85903 11 2 668.6936
F2M6 26/07/2018 74.51737 6.55658 10 100 680.5156
F1M1 12/07/2018 75.41436 10.96218 19 13 372.0505
F1M2 12/07/2018 75.35714 7.09793 28 62 318.8305
F1M3 12/07/2018 75 10.01855 100 20 313.9115
F1M4 12/07/2018 75.96567 5.71429 36 32 275.372
F1M5 12/07/2018 76.15658 6.00522 37 57 327.3666
F1M6 12/07/2018 75.25424 7.92282 0 39 333.7404
F2M1 12/07/2018 75.45126 6.43045 0 71 323.8713
F2M2 12/07/2018 75.79909 9.03253 100 67 234.1461
F2M3 12/07/2018 74.91166 7.22053 1 2 269.8551
F2M4 12/07/2018 75.11521 6.74513 100 100 250.004
F2M5 12/07/2018 73.42657 6.83201 9 2 280.0424
F2M6 12/07/2018 73.57724 7.12675 100 3 269.5603
112
Tabla 39 Valores de Humedad de suelo, Hojas y área foliar del mes agosto de 2018
F1M1 22/08/2018 71.68675 15.70577 28 33 310.9924
F1M2 22/08/2018 70.9596 11.50396 4 38 347.1483
F1M3 22/08/2018 73.09942 9.77064 23 40 328.1911
F1M4 22/08/2018 72.09302 7.69976 2 43 274.4962
F1M5 22/08/2018 73.51351 7.13927 36 29 323.9043
F1M6 22/08/2018 71.17117 7.88955 18 22 352.487
F2M1 22/08/2018 71.89696 7.18105 53 88 357.0457
F2M2 22/08/2018 74.55621 10.80937 47 41 303.8736
F2M3 22/08/2018 72.6601 7.85752 3 0 338.8226
F2M4 22/08/2018 72.23796 7.34649 100 100 322.5712
F2M5 22/08/2018 71.05263 5.11704 13 33 282.58
F2M6 22/08/2018 72.39437 9.75224 17 21 344.0958
F1M1 10/08/2018 72.23975 12.25741 30 70 304.3809
F1M2 10/08/2018 74.51524 17.17663 40 2 311.0887
F1M3 10/08/2018 73.13433 14.61988 75 80 275.7176
F1M4 10/08/2018 75.42662 6.27395 73 51 285.0436
F1M5 10/08/2018 73.48243 6.14111 30 39 296.2237
F1M6 10/08/2018 73.89163 7.75437 0 100 317.3079
F2M1 10/08/2018 73.41772 8.07875 80 51 259.6081
F2M2 10/08/2018 73.76543 9.82287 79 52 285.2902
F2M3 10/08/2018 73.00613 7.21601 11 68 333.7344
F2M4 10/08/2018 74.34211 8.51936 11 100 283.571
F2M5 10/08/2018 72.44318 5.82888 12 20 346.7765
F2M6 10/08/2018 72.34043 5.98958 59 43 369.1198
113
Tabla 40 Valores de Humedad de suelo, Hojas y área foliar del mes septiembre de 2018
F1M1 20/09/2018 66.30113 19.04197 33 18 435.1478
F1M2 20/09/2018 69.44505 17.90554 53 5 449.0319
F1M3 20/09/2018 71.46543 25.57844 37 20 407.8443
F1M4 20/09/2018 70.42812 12.10508 74 74 345.2596
F1M5 20/09/2018 60.58989 8.02846 37 43 343.1035
F1M6 20/09/2018 69.37712 11.90272 20 96 355.3171
F2M1 20/09/2018 73.22331 6.83115 89 3 321.0205
F2M2 20/09/2018 74.32032 14.80313 15 92 391.055
F2M3 20/09/2018 73.84236 10.52722 3 2 390.4406
F2M4 20/09/2018 72.25748 8.92376 49 81 346.6297
F2M5 20/09/2018 67.90123 6.20079 29 11 377.8621
F2M6 20/09/2018 67.44119 6.81262 77 0 348.652
F1M1 05/09/2018 71.5799 18.56 69 51 348.4454
F1M2 05/09/2018 73.60812 12.34633 0 56 296.8281
F1M3 05/09/2018 72.71663 14.52801 44 70 339.3969
F1M4 05/09/2018 72.36705 9.46746 45 52 338.5183
F1M5 05/09/2018 73.22017 5.85408 37 29 377.8272
F1M6 05/09/2018 69.31762 10.71955 93 18 382.872
F2M1 05/09/2018 71.50013 5.86035 6 91 371.3313
F2M2 05/09/2018 74.7185 7.57171 93 20 350.8956
F2M3 05/09/2018 72.74486 8.45683 2 0 377.1327
F2M4 05/09/2018 72.22801 16.277 34 31 386.1246
F2M5 05/09/2018 75 7.04736 38 33 386.0414
F2M6 05/09/2018 66.19253 9.17231 9 68 430.0188
114
Tabla 41 Valores de Humedad de suelo, Hojas y área foliar del mes octubre de 2018
F1M1 18/10/2018 70.02075 27.0515 48 40 370.1339
F1M2 18/10/2018 74.20594 10.38154 32 53 403.079
F1M3 18/10/2018 71.33811 17.05134 50 43 374.4837
F1M4 18/10/2018 67.52499 11.61473 31 52 295.9923
F1M5 18/10/2018 73.90783 10.49044 52 72 370.1068
F1M6 18/10/2018 73.10746 10.78441 56 52 356.7899
F2M1 18/10/2018 74.66334 7.60642 39 52 348.2201
F2M2 18/10/2018 75.153 11.29502 34 33 378.2539
F2M3 18/10/2018 69.92342 8.09223 49 27 380.6577
F2M4 18/10/2018 72.14245 8.27251 53 72 434.0327
F2M5 18/10/2018 73.27253 7.6484 18 40 353.057
F2M6 18/10/2018 73.6785 19.03568 21 28 379.0693
F1M1 05/10/2018 70.99644 16.88233 45 33 452.1976
F1M2 05/10/2018 71.08565 15.12354 30 68 382.5376
F1M3 05/10/2018 75.89143 12.79882 45 35 357.6837
F1M4 05/10/2018 74.65475 13.88172 69 45 395.5093
F1M5 05/10/2018 73.87877 8.15154 35 58 394.7292
F1M6 05/10/2018 71.84192 11.1951 47 44 345.0697
F2M1 05/10/2018 74.81381 6.03927 29 39 408.1377
F2M2 05/10/2018 77.97039 14.32093 39 47 335.3487
F2M3 05/10/2018 72.65849 12.03714 42 31 409.6522
F2M4 05/10/2018 73.00299 9.37045 57 74 380.7511
F2M5 05/10/2018 70.9224 6.77833 20 34 329.4984
F2M6 05/10/2018 70.98473 13.71094 14 30 386.606
115
Tabla 42 Valores de Humedad de suelo, Hojas y área foliar del mes noviembre de 2018
F1M1 22/11/2018 64.8415 13.39387 41 47 391.57033
F1M2 22/11/2018 66.51376 16.12903 26 53 426.5781
F1M3 22/11/2018 72.20544 15.8831 41 34 358.0352
F1M4 22/11/2018 69.60784 14.45255 20 36 321.1291
F1M5 22/11/2018 71.68831 9.53846 42 64 376.2599
F1M6 22/11/2018 66.75393 8.45188 43 45 385.4008
F2M1 22/11/2018 66.90476 9.6171 16 29 413.3093
F2M2 22/11/2018 70.47146 12.22515 28 29 425.4618
F2M3 22/11/2018 70.14925 7.74749 34 26 376.1491
F2M4 22/11/2018 67.94118 8.41785 36 70 382.6462
F2M5 22/11/2018 66.08479 7.7707 18 30 378.8287
F2M6 22/11/2018 68.52941 13.09192 19 31 382.0608
F1M1 07/11/2018 67.52874 17.88732 51 53 344.4094
F1M2 07/11/2018 67.41294 19.16427 26 54 389.2259
F1M3 07/11/2018 69.61652 17.35648 49 39 363.029
F1M4 07/11/2018 71.06109 15.90643 9 25 329.7878
F1M5 07/11/2018 66.77116 10.56202 41 69 363.5555
F1M6 07/11/2018 66.18076 9.85915 11 46 349.8892
F2M1 07/11/2018 71.13402 11.87845 26 38 371.8016
F2M2 07/11/2018 69.18033 13.82979 33 28 361.953
F2M3 07/11/2018 70.30879 13.11728 44 27 400.7516
F2M4 07/11/2018 67.39659 11.37885 44 74 392.9145
F2M5 07/11/2018 67.88512 7.01107 15 43 392.1468
F2M6 07/11/2018 66.12466 11.89711 16 29 399.7894
116

IGhuqujb

Cargado por

Copyright:

Formatos disponibles

IGhuqujb

Cargado por

Información del documento

Título original

Derechos de autor

Formatos disponibles

Compartir este documento

Compartir o incrustar documentos

Opciones para compartir

¿Le pareció útil este documento?

¿Este contenido es inapropiado?

Copyright:

Formatos disponibles

IGhuqujb

Cargado por

Copyright:

Formatos disponibles

UNIVERSIDAD NACIONAL DE SAN AGUSTÍN DE AREQUIPA

DETERMINACIÓN DEL ESTRÉS HÍDRICO EN EL CULTIVO DE VID (Vitis

vinífera) VAR. RED GLOBE MEDIANTE EL USO DE IMÁGENES

MULTIESPECTRALES BAJO CONDICIONES DE MAJES –AREQUIPA

TESIS PRESENTADA POR EL BACHILLER:

JOHN BRYAN HUANCAHUIRE QUISPE

PARA OPTAR EL TITULO PROFESIONAL DE:

ING. DENNIS GEOFFREY MACEDO

ING. JOSE LUIS BUSTAMANTE MUÑOZ

ING. DENNIS MACEDO VALDIVIA ING. LUIS CUADROS FERNÁNDEZ

BACH. JOHN BRYAN HUANCAHUIRE QUISPE

A mis padres por siempre creer en mi a pesar de las

muchas dudas que tenía y su apoyo moral que nunca me

falto, a mi asesor por apoyar el proyecto en la que la

mayoría dudo desde un inicio, tambien se lo dedico a

todos los que me alentaron a continuar y mis amigos

que solo escucharon mis ideas.

AGRADEZCO A la Universidad Nacional de San Agustín en

donde realicé mi formación académica y que gracias a esto me

permitió terminar mi carrera y desarrollarme profesionalmente.

A MI ASESOR ING. DENNIS MACEDO VALDIVIA por su

tiempo, dedicación y asesorías para orientar la presente tesis.

AL ING SHEIBER BALLADARES ABARCA por el material,

conocimientos compartidos, apoyo y ayuda en la realización y

culminación de la presente tesis.

AL ING. CARLOS OLAZABAL quien me facilitó los accesos al

fundo “La Católica” para la realización de mi proyecto de tesis.

AL ING. HUMBERTO JOSÉ STRETZ CHÁVEZ quien me facilito

el campo experimental para la realización de la presente tesis.

AL ING. JOSE FLORES MAYORI quien me facilito las

Instalaciones del laboratorio de suelos de la Universidad para la

realización de la presente tesis.

1.1 Objetivo General: .................................................................................................... 3

1.2 Objetivos Específicos: ............................................................................................. 3

II. CAPITULO II ............................................................................................................. 4

Origen y evolución histórica de los Drones............................................................. 4

Taxonomía de la vid ................................................................................................ 5

Morfología y organografía de la vid ........................................................................ 6

Sistema radicular de la vid....................................................................................... 6

Tronco, brazos, pámpanos y sarmientos de la vid ................................................... 7

Hojas y yemas de la vid ........................................................................................... 9

Zarcillos, inflorescencias y flores de la vid ........................................................... 10

Bayas y racimos de la vid ...................................................................................... 11

Fenología de la uva ................................................................................................ 12

2.7.1 Ciclo vegetativo interanual ................................................................................ 12

2.7.2 Ciclo vegetativo anual........................................................................................ 13

2.7.3 Lloro ................................................................................................................... 13

2.7.4 Brotación ............................................................................................................ 13

2.7.5 Crecimiento vegetativo (Desarrollo y crecimiento de pámpanos) ..................... 14

2.7.6 Penduleo (Formación de yemas latentes y su fertilidad) ................................... 16

2.7.7 Floración y fecundación ..................................................................................... 17

2.7.8 Cuajado .............................................................................................................. 19

2.7.9 Crecimiento de baya (desarrollo de bayas) ........................................................ 20

Agricultura de precisión ..................................................................................... 21

Índice de Vegetación de Diferencia Normalizada (NDVI) ................................ 30

Índice de Agua de Diferencia Normalizada (NDWI) ........................................ 32

III. CAPITULO III .......................................................................................................... 34

3. Materiales y Métodos ............................................................................................ 34

3.1 Material .................................................................................................................. 34