Integración de la Teledetección y la modelización de la Eficiencia en el Uso de la Luz (LUE) para la estimación regional a largo plazo del rendimiento de trigo
DOI:
https://doi.org/10.17398/3101-7177.2.277Palabras clave:
modelo de eficiencia en el uso de la luz, producción primaria bruta, trigo, MODIS, ERA5Resumen
La estimación regional del rendimiento de los cultivos es esencial para evaluar la productividad agrícola y orientar estrategias de gestión adaptativa al clima. La Teledetección ofrece observaciones coherentes y de largo plazo sobre la dinámica de la vegetación y las condiciones ambientales; sin embargo, traducir estos datos en estimaciones fiables de rendimiento a escala regional sigue siendo un desafío. En este estudio, implementamos un modelo de eficiencia en el uso de la luz (LUE) impulsado por satélite, con resolución temporal diaria y espacial de 1 km, para estimar la producción primaria bruta (GPP) y derivar rendimientos de trigo en España entre 2003 y 2022. La asimilación estacional de carbono se cuantificó dentro de periodos de crecimiento definidos fenológicamente y extraídos de series temporales suavizadas de NDVI, y los rendimientos se infirieron mediante un enfoque de asignación basado en el índice de cosecha. El desempeño del modelo se evaluó frente a estadísticas regionales reportadas de rendimiento de trigo. El marco LUE reprodujo patrones espaciales e interanuales amplios de productividad del trigo, obteniendo una correlación estadísticamente significativa pero moderada (r = 0.51) y mostrando una subestimación sistemática de −0.46 t ha⁻¹. Estos resultados indican que, si bien la integración diaria del estrés ambiental mejora la capacidad del modelo para capturar gradientes regionales de productividad, las incertidumbres en la delimitación fenológica limitan su capacidad para reproducir niveles absolutos de rendimiento. En conjunto, este estudio pone de relieve tanto el potencial como las limitaciones actuales de los enfoques LUE basados en teledetección diaria para el monitoreo regional del rendimiento. Mejorar la parametrización del estrés y refinar la detección fenológica serán aspectos críticos para fortalecer la robustez predictiva en condiciones agroclimáticas heterogéneas.
Descargas
Referencias
Asseng, S., Ewert, F., Martre, P., Rötter, R. P., Lobell, D. B., Cammarano, D., Kimball, B. A., Ottman, M. J., Wall, G. W., White, J. W., Reynolds, M. P., Alderman, P. D., Prasad, P. V. V., Aggarwal, P. K., Anothai, J., Basso, B., Biernath, C., Challinor, A. J., De Sanctis, G., ... Zhu, Y. (2015). Rising temperatures reduce global wheat production. Nature Climate Change, 5(2). https://doi.org/10.1038/nclimate2470
Curtis, B. C. (2019). Wheat in the world. Food and Agriculture Organization of the United Nations. Recuperat el 19 de març de 2026, de http://www.fao.org/3/y4011e/y4011e04.htm#TopOfPage
Eklundh, L., & Jönsson, P. (2017). TIMESAT 3.3 with seasonal trend decomposition and parallel processing: Software manual. Lund University & Malmö University.
He, M., Kimball, J. S., Maneta, M. P., Maxwell, B. D., Moreno, A., Beguería, S., & Wu, X. (2018). Regional crop gross primary productivity and yield estimation using fused Landsat-MODIS data. Remote Sensing, 10(3). https://doi.org/10.3390/rs10030372
Labus, M. P., Nielsen, G. A., Lawrence, R. L., Engel, R., & Long, D. S. (2002). Wheat yield estimates using multi-temporal NDVI satellite imagery. International Journal of Remote Sensing, 23(20). https://doi.org/10.1080/01431160110107653
Lobell, D. B. (2013). The use of satellite data for crop yield gap analysis. Field Crops Research, 143. https://doi.org/10.1016/j.fcr.2012.08.008
Lobell, D. B., Cassman, K. G., & Field, C. B. (2009). Crop yield gaps: Their importance, magnitudes, and causes. Annual Review of Environment and Resources, 34. https://doi.org/10.1146/annurev.environ.041008.093740
Mkhabela, M. S., Mkhabela, M. S., & Mashinini, N. N. (2005). Early maize yield forecasting in the four agro-ecological regions of Swaziland using NDVI data derived from NOAA’s-AVHRR. Agricultural and Forest Meteorology, 129(1), 1–9. https://doi.org/10.1016/j.agrformet.2004.12.006
Padilla, F. L. M., Maas, S. J., González-Dugo, M. P., Mansilla, F., Rajan, N., Gavilán, P., & Domínguez, J. (2012). Monitoring regional wheat yield in Southern Spain using the GRAMI model and satellite imagery. Field Crops Research, 130. https://doi.org/10.1016/j.fcr.2012.02.025
Ribeiro, A. F. S., Russo, A., Gouveia, C. M., Pascoa, P., & Pires, C. A. L. (2019). Probabilistic modelling of the dependence between rainfed crops and drought hazard. Natural Hazards and Earth System Sciences, 19(12). https://doi.org/10.5194/nhess-19-2795-2019
Yuan, W., Liu, S., Yu, G., Bonnefond, J. M., Chen, J., Davis, K., Desai, A. R., Goldstein, A. H., Gianelle, D., Rossi, F., Suyker, A. E., & Verma, S. B. (2010). Global estimates of evapotranspiration and gross primary production based on MODIS and global meteorology data. Remote Sensing of Environment, 114(7). https://doi.org/10.1016/j.rse.2010.01.022
Zhang, X., Friedl, M. A., Schaaf, C. B., Strahler, A. H., Hodges, J. C. F., Gao, F., Reed, B. C., & Huete, A. (2003). Monitoring vegetation phenology using MODIS. Remote Sensing of Environment, 84(3), 471–475. https://doi.org/10.1016/S0034-4257(02)00135-9
Descargas
Publicado
Número
Sección
Licencia
Derechos de autor 2026 Mahsa Bozorgi, Jordi Cristóbal Rosselló, Jaume Casadesus (Autor/a)
Esta obra está bajo una licencia internacional Creative Commons Atribución-NoComercial-CompartirIgual 4.0.
Todo el contenido disponible en el Portal de Revistas-UEx se distribuye bajo una licencia Creative Commons: Atribución 4.0 Internacional (CC BY 4.0)
