Espinosa-Espinosa, Palacios-Vélez, Tijerina-Chávez, Ortiz-Solorio, Exebio-García, and Landeros-Sánchez: Factores que afectan la producción agrícola bajo riego: cómo medirlos y estudiar su efecto



Introducción

En el proceso de la producción agrícola, con especial énfasis en la que está bajo riego, varios factores afectan su rendimiento, entre los cuales se pueden mencionar tres grupos que impactan la producción y los rendimientos de los cultivos.

El primer grupo lo constituyen los factores meteorológicos, como las heladas, lluvias torrenciales, cambios en las temperaturas, ciclones, etcétera; sin embargo, es muy difícil controlarlos y en la mayoría de los casos no es posible hacerlo; no obstante, se puede medir su efecto y estimar las posibles afectaciones, así como llevar a cabo algunas acciones para aminorar su impacto negativo.

Las estaciones meteorológicas automáticas son dispositivos con sensores que tienen la capacidad de registrar y recolectar datos de las variables ambientales, miden los principales factores que afectan la productividad de los cultivos, también incluyen un software para realizar cálculos automáticos que procesan la información y la vuelven disponible para el productor agrícola. Entre la información que proporcionan son de mucho interés las temperaturas máximas y mínimas, la precipitación y la evapotranspiración de referencia a nivel diario. En el Distrito de Riego Río Mayo se tiene una parte de la Red de Estaciones Meteorológicas Automáticas de Sonora (REMAS). Un par de estaciones situadas en el centroide del distrito de riego utilizan datos diarios como base de medición del efecto climático. Se pueden estimar los efectos térmicos en los cultivos y la demanda evapotranspirativa que afecta procesos como la fotosíntesis, base de la vida en el planeta.

El segundo grupo son los factores relacionados con el manejo de los cultivos y del suelo, que también son de importancia para la obtención de buenos rendimientos. Un buen agricultor sabe cómo y cuándo llevar a cabo las actividades que le permitan lograr buenos rendimientos, sobre todo si dispone de los medios económicos y mecánicos para realizarlas. No obstante, es posible que mejore la productividad del agua y el suelo si puede monitorear sus cultivos usando tecnologías relativamente nuevas, como el uso de sensores remotos, que es una herramienta eficiente para la detección de diferencias espaciales y temporales de los factores que impactan la productividad de los cultivos y, de ser posible, su corrección. También los sensores remotos mediante el uso de satélites son una herramienta de gran importancia para medir la variabilidad espacial del suelo en el desarrollo de los cultivos, con objeto de efectuar las correcciones necesarias para aminorar esta variación y sus efectos perniciosos.

Desde 2006, el Colegio de Postgraduados (Colpos) fue invitado a unirse al proyecto “Participatory Multi-Level EO-Assisted Tools for Irrigation Water Management and Agricultural Decision-Support” (PLEIADeS), financiado por la Comisión Europea. Dentro de él, se ha dado seguimiento al desarrollo de cultivos en los distritos de riego 038 Río Mayo, 041 Río Yaqui y 051 Costa de Hermosillo, utilizando sensores remotos. En especial, en el distrito del Río Mayo se ha monitoreado el desarrollo de los cultivos mediante índices de vegetación, principalmente al cultivo del trigo, que representa alrededor de un 70% de la superficie cultivada, apoyado con la participación de productores cooperantes. En el presente trabajo se hace un resumen de los resultados obtenidos, haciendo énfasis en años recientes cuando se han observado impactos importantes, como consecuencia de cambios en el clima.

Materiales y métodos

El Distrito de Riego 038 Río Mayo se encuentra ubicado en el noroeste del país, al sur del estado de Sonora, entre las latitudes norte 26.71 y 27.25 grados y longitudes oeste 109.8 y 109.37 grados, con una superficie regable de 98 520 ha; la principal fuente de abastecimiento de agua es la presa “Adolfo Ruiz Cortines”, con una capacidad del orden de los 1 100 hectómetros cúbicos, además de 130 pozos profundos.

Para darle seguimiento a los cultivos, se han utilizado principalmente imágenes de los satélites Landsat 5, 7 y 8, además de los satélites Spot 5 y 6, Deimos y RapidEye.

El distrito de riego es operado por la Sociedad de Responsabilidad Limitada (S. de R. L.), constituida por 16 módulos de riego y 11 582 usuarios registrados.

Como se ha indicado, para evaluar los aspectos meteorológicos, se utilizaron datos diarios de dos estaciones meteorológicas, SEMAY de la REMAS y Etchojoa.

El tercer grupo es la variabilidad espacial. Para el monitoreo espacial del suelo y temporal del desarrollo fenológico de los cultivos se usaron índices de vegetación, como: índice de vegetación de diferencias normalizadas (NDVI, por sus siglas en inglés) (Rouse, Hass, Schell, & Deering, 1974) y el índice de estrés de humedad (MSI, por sus siglas en inglés) (Rock, Vugelmann, Williams, Voglemann, & Hoshizaki, 1986).

El NDVI está constituido por las reflectancias en las bandas roja e infrarroja cercana de acuerdo con la siguiente fórmula:

(1)
2007-2422-tyca-9-02-175-g001.pngNDVI=NIR-RNIR+R

Donde NIR-infrarrojo cercano:

R- roja

Este índice varía entre -1 y 1. Los valores negativos por lo general se presentan donde hay agua; valores menores que 0.2 casi siempre se muestran cuando hay suelo desnudo; para la vegetación verde, usualmente se tienen valores que varían entre 0.25 hasta valores cercanos a 1 cuando la vegetación está en pleno desarrollo.

El MSI es la relación entre las bandas del infrarrojo medio y el infrarrojo cercano, como se muestra a continuación:

(2)
2007-2422-tyca-9-02-175-g002.pngMSI=MIRNIR

Donde MIR- infrarrojo medio.

Los que varían de 0.25 hasta 0.5 indican que los cultivos no están estresados; conforme aumentan crece el estrés hasta llegar a 1 cuando los cultivos alcanzan el porcentaje de marchitamiento permanente.

Desde hace varios años se ha encontrado una relación lineal entre los valores del índice NDVI y el rendimiento del cultivo del trigo. Así, el Instituto Internacional para el Manejo del Agua (IWMI, por sus siglas en inglés) llevó a cabo un trabajo en la India que presentó en su Reporte 28 denominado “Performance Evaluation of the Bhakra Irrigation System, India, using Remote Sensing and GIS Techniques” (Sakthvadivel, Thiruvengadachari, Amerasinge, Bastiaanssen, & Molden, 1999), donde se encontró la relación entre el NDVI y el rendimiento del trigo, utilizando 274 parcelas de prueba y donde se presenta la gráfica y función encontrada, con lo que se clasificó la productividad de las diferentes secciones de este distrito de un millón y medio de hectáreas, que se muestra en la Figura 1.

Figura 1

Función trigo y distrito de riego Bhakra.

2007-2422-tyca-9-02-175-gf1.jpg

En México se ha encontrado una relación semejante en el Distrito de Riego 038 del Río Mayo; así, en el artículo “Earth Observation as a Support to Improve Water Use in Irrigated Agriculture” (Palacios, Palacios, Rodríguez, & Palacios, 2010) se muestra una relación entre el rendimiento observado en 26 parcelas de productores de trigo y sus valores promedio del NDVI detectados durante el desarrollo de este cultivo, similar al obtenido en la India, como se muestra en la Figura 2.

Figura 2

Relación NDVI medio con el rendimiento del trigo.

2007-2422-tyca-9-02-175-gf2.jpg

También en este artículo se muestra la forma en que se ha podido estimar la evapotranspiración del cultivo del trigo utilizando la relación ETc = Kc ETr, donde ETc es la evapotranspiración del cultivo, ETr es la evapotranspiración de referencia, que puede calcularse mediante la fórmula de Penman-Monteith y Kc coeficiente del cultivo, y puede estimarse en función de los valores del NDVI, como lo han demostrado varios autores, como Choudhry, Ahmed, Idso, Reginato y Daughtry (1994). Para el cultivo del trigo, Calera y González-Piqueras (2007), en particular, encontraron una relación lineal entre Kc y el valor del NDVI obtenido de cada imagen de los satélites Landsat, cuyo valor es:

(3)
2007-2422-tyca-9-02-175-g005.pngKc=1.147 NDVI+1.1716

En el mismo artículo de Palacios y colaboradores (Palacios et al., 2010) se muestra una relación similar obtenida en el Distrito de Riego 038 del Río Mayo, que es:

(4)
2007-2422-tyca-9-02-175-g006.pngKc=1.15 NDVI+0.17

La evapotranspiración del cultivo estimada con esta función, para cada una de las 26 parcelas, se relacionó con el rendimiento obtenido y se obtuvo una función con un ajuste estadístico bueno, como se muestra en la Figura 3.

2007-2422-tyca-9-02-175-gf3.jpg

Finalmente, en el mencionado artículo se muestra una relación no lineal entre el MSI y el rendimiento del trigo, que es:

(5)
2007-2422-tyca-9-02-175-g008.pngR=-18.848 MSI2+6.504 MSI+7.856

Con R 2 = 0.794 y un error estándar de 0.443 t/ha. Como es de esperarse, la función es inversa; de manera que conforme aumenta el MSI, disminuye el rendimiento. Es de mencionarse que valores cercanos a la unidad de este índice indican que las plantas han llegado al porcentaje de marchitamiento permanente.

En los años agrícolas 2013-2014 y 2014-2015 se presentaron condiciones meteorológicas poco favorables para el cultivo del trigo; las horas frío disminuyeron, sobre todo en 2014-2015, y en consecuencia las unidades calor no fueron suficientes para lograr rendimientos buenos; en este año agrícola, el rendimiento tuvo una reducción cercana a 30%, como se mostrará.

Se ha observado que los cultivos requieren ciertas cantidades de energía para lograr cada etapa de su desarrollo; estas cantidades de energía se estiman de acuerdo con los grados-día acumulados. También se ha observado que hay una relación entre la variación del índice NDVI y los grados días acumulados (Miller, Lanier, & Brandt, 2001), como se observa en la Figura 4, donde en las ordenadas se muestran los grados días acumulados (en inglés, Growing Degree Days GDD), y en las abscisas la variación de los índices NDVI (línea gruesa) y la relación simple:

(6)
2007-2422-tyca-9-02-175-g009.pngRatio=RNIR

Donde R y NIR ya fueron definidos.

Figura 4

Relación grados día-NDVI y relación simple.

2007-2422-tyca-9-02-175-gf4.jpg

El acumulado de la curva de desarrollo del NDVI es una sigmoide, es decir, una curva en forma de una S, la cual se puede ajustar a una función matemática como la logística. Como ejemplo pueden verse en la Figura 5 los valores acumulados del NDVI de dos parcelas del módulo 15, donde se observa que en la parcela 9173 el valor acumulado del índice quedó abajo del de la parcela 9384; en efecto, en la primera se obtuvo un rendimiento de 6.8 t/ha de trigo y en la segunda su rendimiento fue de 7.1 t/ha. También en la Figura 5 se muestra en ambos casos en línea continua el ajuste a una función logística.

Figura 5

Valores acumulados del NDVI en dos parcelas.

2007-2422-tyca-9-02-175-gf5.jpg

Resultados y discusión

Los efectos meteorológicos

Como ya se ha indicado en los ciclos agrícolas 2013-2014 y 2014-2015, posiblemente como efectos del cambio climático, se presentaron condiciones meteorológicas poco favorables para lograr rendimientos satisfactorios, como se muestra en la Tabla 1, donde se tiene el efecto de la variabilidad climática observada en estos tres años en los rendimientos promedio del módulo 15 del distrito de riego con las unidades calor (UC) calculadas tanto totales como los días cuando se presentó el mayor valor del NDVI obtenido con las imágenes de satélite de Landsat 7 y Landsat 8.

Tabla 1

Información sobre el módulo 15.

Año Máx NDVI UC total Rend. t/ha Día Máx NDVI UC val. máx
2013 0.89 2 331 6.91 128 1 663
2014 0.73 2 169 6.62 144 1 573
2015 0.77 1 809 5.19 96 1 180

Las unidades calor totales resultaron mayores en 2013 y existe una proporcionalidad lineal entre tales valores y los rendimientos promedio observados en este módulo; lo mismo ocurre con los valores de los índices NDVI y la unidades calor acumuladas cuando se presentó el máximo valor del NDVI (en la antesis), lo cual ocurrió a los 128 días de 2013 y a los 96 días en 2015; es decir, que debido a la falta de horas frío permitió que se adelantara un mes la antesis; obsérvese que el rendimiento disminuyó en un 25%.

Condiciones similares se presentaron en otros módulos del distrito de riego. Utilizando los datos de cinco módulos, se obtuvo una función lineal entre los valores acumulados de las unidades calor hasta el valor máximo del NDVI, que se presenta a continuación:

(7)
2007-2422-tyca-9-02-175-g012.pngR=0.0031*UC+1.518

Con R 2=0.919; error estándar = 0.269 t/ha.

Es evidente que es poco lo que puede hacerse para evitar los efectos negativos de carácter meteorológico; sin embargo, los productores deben estar enterados de los problemas que pueden presentarse, por lo que al desplegar la información por Internet, se advertirá con anticipación si se tiene conocimiento de falta de horas frío y en consecuencia de una menor acumulación de UC, lo cual podría generar que la antesis se adelante como se ha mostrado, para que se tome en consideración la posible disminución del rendimiento del cultivo del trigo o de otros cultivos de condiciones semejantes.

Los efectos del manejo

Respecto a la posibilidad de detectar problemas durante el crecimiento de los cultivos, una ayuda importante para tomar decisiones que permitan prevenir reducciones en el rendimiento será utilizar el visor (Espinosa, 2013), que está disponible en Internet, mediante el cual el productor puede apreciar cómo va el desarrollo de su cultivo al observar la coloración que genera en NDVI en las parcelas, observando por una parte la homogeneidad del crecimiento del cultivo, y el acumulado gráfico del NDVI, que puede compararse con el obtenido en el año anterior, mediante lo cual podrá tener una idea sobre el rendimiento esperado; así, como se muestra en la Figura 5, si la curva que se va generando es más baja que la del año anterior, bajo el supuesto de que se tenga un cultivo similar, se tendrá la sospecha de que algo no está bien; esto permitirá al productor buscar las razones de la reducción esperada, con objeto de corregir los posibles problemas, como se muestra en la Figura 6.

Para ver el Sistema de Monitoreo Satelital del Distrito de Riego 038 Río Mayo, hay que entrar a la página de Internet: http://hidro.colpos.mx:8080/sig-mon/

En esta página, el usuario no necesita registrarse sino poner donde se pregunta el Nombre: demo; el Password: demo; en tipo de usuario: user, y luego dar clic para entrar. Al ingresar, se despliega una lista de los números de los módulos; suponiendo que la parcela esté en el módulo 15, se busca en la lista este número y se le da un clic; en el centro de la pantalla aparecerán las parcelas de dicho módulo. Para encontrar la parcela es necesario dar el número de cuenta del padrón de usuarios o buscar la parcela por su posición dentro del módulo (Espinosa-Espinosa, Palacios-Vélez, Tijerina-Chávez, Flores-Magdaleno, & Quevedo-Nolasco, 2017).

En general, hay una presentación que se ha hecho del conocimiento de los usuarios para buscar sus parcelas, pero lo interesante es que se puede ver con detalle el estado de las parcelas por el color del índice NDVI, no solamente para la fecha más reciente de cuando ha pasado el satélite, sino que además se pueden apreciar los valores acumulados del índice en años anteriores y el avance del año actual, como se muestra en la Figura 6.

Figura 6

Visor del sistema de monitoreo.

2007-2422-tyca-9-02-175-gf6.jpg

Los efectos de la variabilidad

Otro factor que se ha estudiado ha sido el efecto de la variabilidad del suelo en el rendimiento de los cultivos, la que afecta los rendimientos, no solamente en el trigo sino en general en todos los cultivos establecidos en el distrito de riego.

Es común que exista una variabilidad espacial en las parcelas. A veces esta variabilidad es muy significativa y por lo mismo afecta en forma negativa al rendimiento de los cultivos que se establezcan; por esta razón se ha desarrollado la denominada agricultura de precisión. Sin embargo, es factible detectar esta variabilidad mediante las imágenes satelitales, observado la variabilidad del valor de los píxeles.

Por otra parte, es muy común que en los distritos de riego de México se compren los derechos de agua de parcelas pequeñas; es decir, un productor puede rentar varias parcelas y en estos casos la variabilidad espacial puede aumentar, en especial por la variabilidad que existe en colindancia entre estas parcelas y además la variabilidad dentro de cada parcela.

Como ejemplo se presentará un caso hipotético de un lote de 27 parcelas de unas 5 ha cada una dentro del módulo de riego número 15 del Distrito de Riego 038 del Río Mayo, comprendido por más de seis mil hectáreas, donde es muy común que sus parcelas ejidales sean de 5 ha en promedio y se renten en extensiones de consideración, que en algunos casos llegan a ser del orden de mil hectáreas.

Para el ejemplo se seleccionó un lote de parcelas en la parte central del módulo y utilizando la imagen del satélite Landsat 8, correspondiente al 14 de febrero de 2016, cuando se alcanzó el mayor valor promedio del índice NDVI, se evaluó la variabilidad espacial de esta superficie sembrada con trigo.

El valor promedio del índice NDVI en las 27 parcelas fue bastante aceptable, por lo que se logró un buen rendimiento; sin embargo, podría haberse obtenido un rendimiento mayor si no se hubiera tenido la variabilidad espacial, principalmente por las regiones límite entre parcelas, como se puede observar en la Figura 7, que del lado derecho muestra las curvas de isonivel del índice NDVI. En esta misma figura se presenta una gráfica donde se señala la superficie de 140 hectáreas dividida en 19 barras, mostrando cada una de ellas el área que le corresponde. El valor promedio de NDVI de todas las barras fue de 0.877, con una desviación estándar de 0.068, por lo que su coeficiente de variación fue de 7.78%, éste es un índice de variabilidad.

Figura 7

Variabilidad del índice NDVI en 27 parcelas.

2007-2422-tyca-9-02-175-gf7.jpg

Conclusiones y recomendaciones

De los tres grupos de factores que influyen en el rendimiento de los cultivos, los componentes meteorológicos o del clima tienen una influencia notable en los rendimientos de los cultivos; sin embargo, es poco lo que puede hacerse para modificar su efecto negativo; no obstante, el seguimiento de su evolución mediante su medición con estaciones meteorológicas automáticas permite hacer algunas previsiones para moderar sus impactos económicos y evaluar el impacto negativo en la economía del productor, con objeto de que pueda tomar decisiones anticipadas para aminorar las posibles pérdidas.

Respecto a los factores de manejo, el conocimiento del monitoreo espacial y temporal del desarrollo fenológico del cultivo mediante el NDVI y el MSI le permitirá al productor conocer las condiciones en que se encuentran mediante la visión del estado de las parcelas, consultando al visor en la página Web, por la variación de la coloración generada por los cambios del NDVI, así como la posición relativa del valor obtenido de este índice cada vez que pasan los satélites sobre el distrito de riego, y que puede compararse con la posición debida al desarrollo en años anteriores; esto le permitirá al productor orientar sus decisiones, para tratar de mejorar, si es necesario, las condiciones del cultivo.

Una condición crítica en el desarrollo de los cultivos, generada por un estrés debido al ataque de una plaga, enfermedad o condición hídrica, se podrá notar por la posición relativa del valor del NDVI respecto a la del paso anterior del satélite, lo que permitirá llevar a cabo las acciones necesarias para tratar de aminorar los daños al cultivo.

El efecto de la variabilidad espacial tanto en una parcela como en un grupo de ellas se hace notar por el cambio del color del índice. Además, como se puede observar en la Figura 7, los efectos de orilla y de la condición diferente de algunas de las parcelas del grupo, manejado por un productor, puede afectar el futuro rendimiento del cultivo. Para aminorar este efecto, será conveniente, si la renta de las parcelas es por varios años, tratar de reducir esta variabilidad mediante varias acciones, como la nivelación de los terrenos, la aplicación diferenciada de fertilizantes y la forma de regar.

Los apoyos y recomendaciones que puede brindar el personal técnico que han contratado algunos módulos de los distritos de riego serán de mucha importancia en el asesoramiento a los productores para lograr mejores rendimientos. También este personal podrá asistirlos en el uso del visor.

Agradecimientos

Queremos agradecer al personal técnico del Distrito de Riego 038, por el apoyo que nos han dado para obtener la información sobre los rendimientos obtenidos en los módulos de riego del distrito.

Referencias

1 

Calera, A., & González-Piqueras, J. (2007). Parámetros biofísicos de la cubierta vegetal: relaciones operativas para obtención de mapas de estos parámetros desde las imágenes de satélite. Ciudad Real, España: Grupo de Teledetección, Universidad Castilla La Mancha. Documento de PLEIADeS.

2 

Choudhry, B. J., Ahmed, N. U., Idso, S. B., Reginato, R. J., & Daughtry, C. S. T. (1994). Relations between evaporation coefficients and vegetation indices studied by model simulations. Remote Sensing of Enviroment, 50, 1-7.

3 

Espinosa, J. L. (2013). Tecnologías para ofrecer servicios de asesoramiento en riegos (tesis de maestría). Colegio de Postgraduados, Montecillo, México.

4 

Espinosa-Espinosa, J. L., Palacios-Vélez, E., Tijerina-Chávez, L., Flores-Magdaleno, H., & Quevedo-Nolasco, A. (enero-febrero, 2017). Sistema de monitoreo satelital para el seguimiento y desarrollo de cultivos del Distrito de Riego 038. Tecnología y Ciencias del Agua, 8(1), 95-104.

5 

Miller, P., Lanier, W., & Brandt, S. (2001). Using growing degree days to predict plant stages.pdf. Bozeman, USA: Montana State University.

6 

Palacios, E. V., Palacios, L. S., Rodríguez, J. C., & Palacios, J. S. (2010). Earth Observation as a Support to Impruve Water Use in Irrigated Agriculture. Journal of Agriculture Science and Technology, 4(6) (Serial No. 31), 1-7.

7 

Rock, B. N., Vugelmann, J. E., Williams, D. L. W., Voglemann, A. F., & Hoshizaki, T. (1986). Remote detection of forest damage. Bioscience, 36, 439.

8 

Rouse, J. W., Hass, R. H., Schell, J. A., & Deering, D. W. (1974). Monitoring vegetation systems in great plains with ERTS. Proceedings. Third Earth Resources Technology Satellite Symposium, Greenbelt: NASA SP-351, 3010-317.

9 

Sakthvadivel, R., Thiruvengadachari, S., Amerasinge, U., Bastiaanssen, W. G. M., & Molden, D. (1999). Performance evaluation of Bhakra Irrigation System, India, using remote sensing and GIS techniques (research report 28). Colombo, Sri Lanka: International Water Management Institute.



This display is generated from NISO JATS XML with jats-html.xsl. The XSLT engine is libxslt.





Introduction

In the process of agricultural production, especially when using irrigation, several factors affect yields. Among them, three groups that impact production and crop yields can be mentioned.

The first group consists of meteorological factors such as frost, torrential rains, changes in temperatures, cyclones, etc. These are very difficult to control and in most cases it is not possible to do so. However, their possible effects can be measured, some of the possible effects can be estimated, and some actions to reduce their negative impacts can be carried out.

Automatic weather stations are devices with sensors that have the ability to record and collect data on environmental variables that measure the main factors that affect crop productivity. They also contain software to perform automatic calculations that process the information and make it available to agricultural producers. Among the information they provide, maximum and minimum temperatures, precipitation and daily reference evapotranspiration are of great interest. A portion of the Sonora Automatic Meteorological Stations Network (REMAS) is located in the Río Mayo irrigation district. A pair of stations located in the center of the irrigation district use daily data as a basis for measuring climate effects. This device can be used to estimate the thermal effects on crops and the evapotranspiration demand, which affect processes such as photosynthesis, the basis of life on the planet.

The second group refers to factors related to the management of crops and soil, which are also important for obtaining good yields. A good farmer knows how and when he should carry out the activities that allow him to achieve good yields, especially if he has the economic and mechanical means to carry them out. However, it is possible to improve water and soil productivity by monitoring crops using relatively new technologies, such as the use of remote sensors, which are efficient tools for detecting spatial and temporal differences in the factors that impact crop productivity, and for correcting the crops. Satellite-based remote sensing is also a very important tool to measure the soil’s spatial variability in the development of crops, in order to carry out the necessary corrections to reduce this variation and its pernicious effects.

The Postgraduate College (COLPOS) was invited to participate in the project "Participatory multi-level EO-assisted tools for Irrigation water management and Agricultural Decision-Support" (PLEIADeS), funded by the European Commission, since 2006. This project has used remote sensing to monitor the development of crops in irrigation districts 038 Río Mayo, 041 Río Yaqui, and 051 Costa de Hermosillo. In the district of Río Mayo, vegetation indexes have been used to monitor the development of crops, mainly wheat, which represent around 70% of the cultivated area. This monitoring has been supported by the participation of participating producers. The present work summarizes the results obtained, emphasizing the important impacts that have been observed over the years as a result of climate change.

Materials and methods

Irrigation district 038 Río Mayo is located in northwestern Mexico, in the southern portion of the state of Sonora, between 26.71 and 27.25 degrees North and 109.37 degrees West 109.8, with a watering surface of 98,520 ha. The main source of water is the "Adolfo Ruiz Cortínez" dam, which has a capacity of 1,100 cubic hectometers, in addition to 130 deep wells.

To monitor the crops, images from the Landsat 5, 7 and 8 satellites were used, as well as Spot 5 and 6, Deimos and RapidEye.

The Irrigation District is operated by the Limited Liability Company, constituted by 16 Irrigation Modules and has 11,582 registered users.

As it was mentioned before, to evaluate the meteorological aspects, daily data were used from two meteorological stations, the SEMAY of the REMAS and the Etchojoa.

The third group is spatial variability. For the spatial monitoring of soil and temporal phenological development of crops, vegetation indices were used, such as the Normalized Differences Vegetation Index of (NDVI) (Rouse, Hass, Schell, & Deering, 1974), and the Moisture Stress Index (MSI) (Rock, Vugelmann, Williams, Voglemann, & Hoshizaki, 1986).

The NDVI is constituted by the reflectance in the red and near infrared bands according to the following formula:

(1)
2007-2422-tyca-9-02-175-g001.pngNDVI=NIR-RNIR+R

Where: NIR- Near Infrared.

R- Red

This index ranges between -1 and 1. Negative values usually occur where there is water, values lower than 0.2 are usually shown where there is bare soil and for green vegetation the values usually range from 0.25 to values close to 1 when the vegetation is in full development.

The MSI is the ratio between the middle infrared and near infrared bands, as shown below:

(2)
2007-2422-tyca-9-02-175-g002.pngMSI=MIRNIR

Where: MIR- Medium infrared.

The 0.25 to 0.5 range indicates that the crops are not stressed; as this increases the stress increases until reaching 1 when the crops reach the permanent wilting percentage.

For several years, a linear relationship has been found between the NDVI index values and wheat crop yields. Thus, the International Water Management Institute (IWMI) carried out research in India, which it presented in its Report 28 called "Performance Evaluation of the Bhakra Irrigation System, India, using Remote Sensing and GIS Techniques”(R. Sakthvadivel, Thiruvengadachari, Amerasinge, Bastiaanssen, & Molden, 1999). This work found a relationship between the NDVI and wheat yield using 274 test plots. It presents the graph and the function, with the productivity of the different sections in this district of 1.5 million hectares, which is shown in Figure 1.

Figure 1

Wheat and irrigation function, Bhakra district.

2007-2422-tyca-9-02-175-gf8.jpg

In Mexico, a similar relationship has been found in Río Mayo irrigation district 038. For example, the article "Earth Observation as a Support to Improve Water Use in Irrigated Agriculture" (Palacios, Palacios, Rodríguez, & Palacios, 2010) shows a relationship between the yield observed on 26 plots of wheat producers and their average NDVI values observed during the development of this crop, similar to that obtained in India, as shown in Figure 2.

Figure 2

Mean NDVI:wheat yield ratio.

2007-2422-tyca-9-02-175-gf9.jpg

This paper also shows how the evapotranspiration of the wheat crop could be estimated using the relationship ETc = Kc ETr, where ETc is the crop evapotranspiration and ETr is the reference evapotranspiration, which can be calculated using the Penman-Monteith formula and Kc culture coefficient. And it can be estimated based on the NDVI values, as several authors have shown, including Choudhry, Ahmed, Idso, Reginato and Daughtry (1994). And specifically for the cultivation of wheat, Calera and González-Piqueras. (2007) found a linear relationship between the Kc and the NDVI value obtained from each Landsat image, whose value is:

(3)
2007-2422-tyca-9-02-175-g005.pngKc=1.147 NDVI+1.1716

The same article by Palacios et al. (2010) shows a similar relationship obtained in Río Mayo irrigation district 038, which is:

(4)
2007-2422-tyca-9-02-175-g006.pngKc=1.15 NDVI+0.17

The crop evapotranspiration estimated with this function for each of the 26 plots was related to the yield obtained, and a function with a good statistical adjustment resulted, as shown in Figure 3.

Figure 3

Relationship between Evapotranspiration and wheat yield.

2007-2422-tyca-9-02-175-gf10.jpg

Finally, the article mentioned shows a non-linear relationship between the MSI and wheat yield, which is:

(5)
2007-2422-tyca-9-02-175-g008.pngR=-18.848 MSI2+6.504 MSI+7.856

With R 2 = 0.794 and a standard error of 0.443 t / ha, the function is inverse, as expected. So, if the MSI increases, the performance decreases. It is worth mentioning that values ​​close to the unit of this index indicate that the plants have reached the permanent wilting percentage.

During agricultural years 2013-2014 and 2014-2015, meteorological conditions that were unfavorable for the wheat crop were present. Namely, the number of cold hours decreased, especially in the year 2014-2015, and consequently the heat units were not enough to achieve good yields. The yield decreased nearly 30% during that agricultural year, as will be shown later.

It has been observed that crops require certain amounts of energy to achieve each stage of their development. These amounts of energy are estimated according to the accumulated degree days. A relationship has also been seen between the variation in the NDVI index and the accumulated degree days, (Miller, Lanier, & Brandt, 2001) as shown in Figure 4, where the accumulated days (Growing Degree Days (GDD)) are shown on the x-axis and the variation in the NDVI (thick line) and the Simple Ratio on the y-axis:

(6)
2007-2422-tyca-9-02-175-g009.pngRatio=RNIR

Where R and NIR were already defined.

Figure 4

Relationship between NDVI and GDD.

2007-2422-tyca-9-02-175-gf11.jpg

The accumulation of the NDVI development curve is a sigmoid that is a curve in the form of an S, which can be adjusted to a mathematical function such as logistics. For example, Figure 5 shows the accumulated values of the NDVI of two plots in module 15, where it is observed that in plot 9173 the accumulated value of the index was below that of plot 9384, and in effect, in the former a yield of 6.8 t / ha of wheat was obtained and in the latter the yield was 7.1 t / ha. Figure 5 also presents the fit to a logistic function for both cases, with a continuous line.

Figure 5

Accumulated NDVI values for two plots.

2007-2422-tyca-9-02-175-gf12.jpg

Results and discussion

Meteorological effects

As already indicated, in the agricultural cycles 2013-2014 and 2014-2015, possibly due to the effects of climate change, meteorological conditions unfavorable to achieving satisfactory yields were present, as shown in Table 1, which shows the effect of climate variability during these three years on the average yields in irrigation district’s Module 15, with heat units (HU) calculated for both the total and for the days with the highest NDVI value obtained from the Landsat 7 and Landsat 8 satellite images.

Table 1

Information on Module 15.

Año Max NDVI UC. Total Rend. t/ha Día Max ndvi UC.Val.Max
2013 0.89 2331 6.91 128 1663
2014 0.73 2169 6.62 144 1573
2015 0.77 1809 5.19 96 1180

The total heat units were higher in 2013 and there is a linear proportionality between these values and the average yields observed in this module. The same occurs with the values of the NDVI indexes and the heat units accumulated when the maximum value of the NDVI occurred during anthesis (at 128 days in 2013 and 96 days in 2015). That is to say that due to the lack of cold hours, the anthesis advanced one month, and we note that the yield decreased by 25%. Similar conditions were present in other modules in the irrigation district. Using the data from 5 modules, a linear function was obtained between the accumulated values of the Heat Units up to the maximum value of the NDVI, which is presented below:

(7)
2007-2422-tyca-9-02-175-g012.pngR=0.0031*UC+1.518

With R2 = 0.919; Standard Error = 0.269 t / ha

It is evident that little can be done to avoid the negative effects of weather. However, producers should be aware of the problems that may arise, so that when presenting the information on the internet, there is notification in advance when a lack of cold hours is known, and consequently, a lower accumulation of HU. This could result in a late anthesis, as has been shown, and so the possible decrease in the yield in wheat or similar crops can be taken into consideration.

The effects of management

Regarding the possibility of detecting problems during the growth of crops, an important aid for making decisions that prevent yield reductions is using the viewer (Espinosa, 2013) that is available on the internet, through which the producer can watch the development of the crop by observing the coloration that it generates in NDVI in the plots, observing the homogeneity of the growth of the crop, and the accumulated graph of the NDVI, which can be compared with that obtained from the previous year. Thus, the producer may have an idea about the expected yield, as shown in Figure 5. If the curve that is generated is lower than the previous year, under the assumption that it is a similar crop, the suspicion that something is not right arises.

This will allow the producer to find the reasons for the expected reduction, in order to correct the possible problems, as shown in Figure 6.

The Satellite Monitoring System of the 038 Río Mayo Irrigation District, is available at: http://hidro.colpos.mx:8080/sig-mon/

On this website the user does not need to register but to type the following where the Name is asked: demo; Password: demo and user type: user and then click to enter. Upon entering a list of the module numbers is displayed. Assuming that the plot is in Module 15, this number is searched in the list and a click on it is given, then the plots of that module will appear in the center of the screen. To find the plot, it is necessary to give the account number of the user registry to look for the plot for its position within the module (Espinosa-Espinosa, Palacios-Vélez, Tijerina-Chávez, Flores-Magdaleno, & Quevedo-Nolasco, 2017).

In general, a presentation has been made of the knowledge of users to look for their plots. It is interesting that the status of the plots according to the color of the NDVI index can be seen in detail, not only for the most recent date the satellite has passed, but also the cumulative values of the index for previous years and the progress of the current year, as seen in Figure 6.

Figure 6

Monitoring System Viewer

2007-2422-tyca-9-02-175-gf13.jpg

The effects of variability

Another factor that has been studied is the effect of soil variability on crop yields, which affects not only wheat yields but also all crops in general that are established in the irrigation district.

Spatial variability in the plots is common. Sometimes this variability is very significant and therefore it negatively affects crop yields. For this reason, so-called precision agriculture has been developed. However, it is feasible to detect this variability through satellite images, observing the variability in the pixel values.

On the other hand, it is very common for water districts in Mexico to buy water rights from small plots; that is, a producer can rent several plots and in these cases the spatial variability can increase, mainly due to the variability that exists among these plots and also the variability within each plot.

As an example, a hypothetical case of a parcel containing 27 plots of approximately 5 ha each will be presented within irrigation module number 15 in Río Mayo irrigation district 038, which is comprised of more than 6 000 hectares. The size of the community parcels there is typically 5 ha on average and large areas are rented, in some cases adding up to 1 000 hectares.

For the example, a land of plots was selected in the central part of the module, and it was possible to evaluate the spatial variability of this surface, planted with wheat, using the image from the Landsat 8 satellite corresponding to February 14, 2016, when the highest average value of the NDVI was reached,

The average NDVI value of the 27 plots was quite acceptable, so a good yield was achieved. However, a higher yield could have been achieved if there had not been spatial variability, which existed mainly at the borders between plots, as can be seen in Figure 7, which on the right side shows the iso-level curves for the NDVI. In this same figure, a graph is presented showing a 140 ha area divided into 19 bars, each one showing the area that corresponds to it. The average NDVI value of all the bars was 0.877, with a standard deviation of 0.068, so its coefficient of variation was 7.78%, which is an index of variability.

Figure 7

Variability of the NDVI index in 27 plots.

2007-2422-tyca-9-02-175-gf14.jpg

Conclusions and recommendations

Of the three groups of factors that influence crop yields, weather or climate factors have a significant influence. But little can be done to modify their negative effects. However, by monitoring its evolution through measurements taken by automatic weather stations, some forecasts to moderate its economic impacts can be made and the negative impact on the producer´s economy can be evaluated so that he can make early decisions to reduce possible losses.

Regarding management factors, knowledge of the spatial and temporal monitoring of the phenological development of the crop, through the NDVI and the MSI, allows the producer to know the crop conditions by viewing the conditions in the plots. The producer is able to make decisions to try to improve the conditions of the crop, if needed, through consulting the information provided by the viewer found on the web page, such as the variation of the coloration generated by changes in the NDVI, as well as the relative position of the value obtained from this index every time the satellites pass over the irrigation district, which can be compared to the development from previous years.

A critical condition in the development of crops resulting from infestation, disease or water conditions can be seen by the relative position of the NDVI value with respect to the previous step of the satellite, allowing the producer to take the necessary actions in order to reduce crop damage.

The effect of spatial variability, both in a plot and in a group of them, can be seen by the change in the color of the index. In addition, as shown in Figure 7, shore effects and the different conditions of some of the plots in the group managed by a producer can affect the future yield of the crop. To reduce this effect, it will be advisable, if the rent of the plots is for several years, to try to reduce this variability through several actions, such as leveling the land, varying the application of fertilizers, and irrigation approaches.

Support and recommendations by the technical personnel that some modules of the irrigation districts have hired will be of great importance for the producers to achieve better yields. This staff can also provide assistance with the use of the viewer.

Acknowledgements

We want to thank the technical staff of irrigation district 038 for the support they have given us to obtain information on the yields in the irrigation modules of the district.