SciELO - Scientific Electronic Library Online

 
vol.39 issue4Agroeconomic viability of intercropping taro and okra plants according to planting dates and plant arrangementsPhysiological behavior of tomato lines (Solanum licopersicum L.) generation F3 grown under conditions of salinity and boron excess author indexsubject indexarticles search
Home Pagealphabetic serial listing  

Services on Demand

Journal

Article

Indicators

Related links

  • On index processCited by Google
  • Have no similar articlesSimilars in SciELO
  • On index processSimilars in Google

Share


Idesia (Arica)

On-line version ISSN 0718-3429

Idesia vol.39 no.4 Arica Dec. 2021

http://dx.doi.org/10.4067/S0718-34292021000400059 

ARTÍCULOS DE INVESTIGACIÓN

Evaluación del estrés hídrico del cultivo de arroz (IR 71706) a través del uso de termografía calibrada del área del dosel en Lima, Perú

Water stress assessment of rice crop (IR 71706) using improved and calibrated thermography of the canopy in Lima, Peru

Hugo Diego Villar Barraza1 

Lía Ramos Fernández

Omar Alminagorta Cabezas2 

1 Universidad Nacional Agraria La Molina. Lima. Perú.

2 University of Toronto. Toronto, Canada.

RESUMEN

Ante la creciente demanda del cultivo de arroz a nivel mundial, aunado a los mayores requerimientos hídricos y la existencia de métodos laboriosos y destructivos en la estimación de las respuestas fisiológicas al estrés hídrico, esta investigación presenta una metodología novedosa y alternativa en la determinación de un índice de estrés hídrico del cultivo (CWSI) de forma rápida y no intrusiva, mediante el uso de imágenes térmicas obtenidas del dosel. El estudio fue implementado en el Área Experimental de Riego de la Universidad Nacional Agraria La Molina en Lima-Perú y tuvo como fin optimizar el uso del agua mediante la relación entre este índice y la humedad del suelo. La humedad fue controlada mediante un sistema de riego por goteo. Debido a las necesidades hídricas propias del cultivo, el potencial hídrico se mantuvo cercano a cero (T0, testigo) y reducciones a -10 (T1), -15 (T2) y -20 (T3) Kpa, con el fin de estimar la relación del CWSI con humedades durante las fases vegetativa y reproductiva del cultivo. La investigación se desarrolló en tres etapas. En un primer paso, se elaboraron algoritmos para extraer imágenes térmicas con píxeles de soólo cobertura vegetal. En segundo lugar, se obtuvo la temperatura seca y húmeda (Ts y Th), variables requeridas en el cálculo, a partir de macetas sometidas a punto de marchitez permanente (PMP) y saturación, respectivamente. Finalmente, se relacionó el CWSI con la humedad volumétrica del suelo a profundidades de 12 y 20 cm, obteniendo una mayor correlación a 20 cm (R = -0,489), debido al menor efecto de la evaporación del suelo. El estudio permitió identificar una metodología alternativa y novedosa para determinar el índice de estrés hídrico del cultivo de arroz en relación con la humedad del suelo, con posibilidad futura de aplicación en la programación de riego.

Palabras clave: sensores térmicos; temperatura foliar; índice de estrés hídrico del cultivo; déficit hídrico

ABSTRACT

In response to the growing demand of rice farming worldwide, the crop's increased water demandand the existence of laborious and destructive methods to estimate physiological responses to water stress, we present a novel and alternative method for estimating the crop water stress index (CWSI) in a rapid and non-invasive way through the use of tlwrmal images obtained from the canopy of the crop. This research was implemented in the experimental irrigation area at the La Molina National Agrarian Univgrsity in Lima, Peru, and the objective was to optimize water use through the relationship bet^een the CWSI and soil moisture, controlling the latter by a drip irrigation system. Given the water needs of the crop, the water potential remained close to zero (T0, control), with decreases to -10 (T1), -15 (T2), and -20 (T3) Kpa, to estimate the relationship bet^een the CWSI and moisture during the vegetative and reproductive stages of the crop. The study was divided into three phases: First, algorithms were de^veloped to extract thermal images only withpixels of vegetation cover. Second, the dry and wet temperatures (Td and Tw), variables required for the calculation, were obtained based on pots subjected to permanent wilting point and saturation, respectively. Finally, the CWSI was associated with the volumetric soil moisture at depths of 12 and 20 cm, achieving the highest correlation at 20 cm (R =-0.489), as a result of the minor effect of soil evaporation. This study allowed the identification of an alternative and innovative method to estimate the rice-crop water stress index in relation to soil moisture, with the possibility of its future implementation in the irrigation schedule.

Keywords:  thermal sensors; leaf temperature; crop water stress index; water deficit

Introducción

La Organización de las Naciones Unidas para la Alimentación (FAO) indica que el arroz es el segundo cereal más importante en el mundo después del trigo, y se cultiva en 166 millones de hectáreas con una producción anual de 767 millones de toneladas al 2018. A nivel de América del Sur el principal productor es Brasil con 11,4 millones de toneladas al 2018. En segundo lugar se ubican Perú y Colombia, que producen cerca de tres millones de toneladas cada uno (FAO, 2018). En el Perú el arroz se produce en 18 departamentos. El Ministerio de Agricultura y Riego (MINAGRI, 2018) reporta que la producción del arroz cáscara creció a un ritmo de 2,4% anual del 2001 (2 millones 28 mil toneladas) al 2017 (3 millones 39 mil toneladas). La superficie sembrada aumentó de 369 mil a 448 mil ha en el mismo periodo del 2001 al 2017. El rendimiento promedio al 2017 fue de 7,19 t ha-1.

Actualmente, con la creciente escasez de agua, el déficit hídrico se convierte en uno de los principales tipos de estrés abiótico en la producción agrícola, especialmente para este cultivo. Muchos investigadores abordan el impacto del estrés hídrico en la actividad fisiológica y el crecimiento del cultivo. Según Turner, el estrés hídrico moderado mejora el rendimiento del cultivo y la eficiencia del uso del agua, mientras que el déficit de agua severo afecta el crecimiento de los cultivos y conduce a la pérdida en la producción (Xu et al., 2016).

Por esta razón, existen métodos convencionales basados en las respuestas fisiológicas de los cultivos al estrés hídrico, como el potencial hídrico, el contenido de agua de la hoja y la conductancia estomática. Sin embargo, estos métodos son generalmente destructivos, laboriosos y sólo proporcionan información puntual.

El estrés hídrico del cultivo sucede cuando la demanda de agua es mayor que la cantidad disponible durante un periodo de tiempo y es determinado con base en su tasa de transpiración. En este estrés se incluyen el estrés por salinidad (en su componente osmótico) y el estrés por sequía. En particular, el estrés hídrico reduce la actividad fotosintética e induce al cierre de los estomas. Por consiguiente, el enfriamiento por evaporación se reduce y aumenta la temperatura foliar (Camino et al., 2018).

El índice de estrés hídrico del cultivo (CWSI, por sus siglas en inglés Crop Water Stress Index) es uno de los índices radiométricos basados en temperatura desarrollados para climas áridos (Rinza et al., 2019). Además, Quebrajo et al. (2018) sugieren el uso del CWSI como un indicador de estrés hídrico de la planta ante la relación con la reducción de la tasa de transpiración y posterior aumento de temperatura de la hoja.

El cierre de estomas inducido por el déficit hídrico reduce la tasa de transpiración de las hojas y, en consecuencia, disminuye el enfriamiento por evaporación y aumento de la temperatura foliar (Berni et al., 2009). Cuando una planta transpira sin estrés hídrico, la temperatura de la hoja es menor que la temperatura ambiental, y en este caso el índice de estrés hídrico del cultivo (CWSI) es 0. Cuando el déficit hídrico es alto, la transpiración de las hojas se ve reducida con el incremento de la temperatura foliar, y cuando la planta está muerta 0 no transpira durante mucho tiempo el CWSI es 1 (López et al., 2009).

El índice de estrés hídrico del cultivo (CWSI) se define bajo la siguiente ecuación (Cuchón-Padin et al., 2020):

La temperatura húmeda corresponde a un estado de mínimo estrés hídrico foliar en condiciones de transpiración de la planta (estomas abiertos). La manera más eficaz de realizar su estimación es mediante la medición de un cultivo en óptimas condiciones y sin estrés hídrico. También es aceptado asociar a esta temperatura a la que se produce durante las primeras horas de la mañana, horario en el cual finaliza el periodo de adormecimiento nocturno del cultivo y la temperatura foliar se equipara a la temperatura del aire, según Jones (2004) y Van Bavel (1972).

La temperatura seca es la de mayor estrés hídrico del cultivo, condición en la cual los estomas de la hoja se encuentran completamente cerrados, sin intercambio gaseoso (Xu et al., 2016). Debido a que estas condiciones resultan difíciles de controlar en campo es que se realizan mediciones de temperatura al cultivo en horarios de máxima temperatura del día, pasado el mediodía, considerándose los máximos valores como los correspondientes a la temperatura seca, según Cuchón-Padin et al. (2020).

Esta investigación tiene como objetivo estimar el índice de estrés hídrico foliar (CWSI) a partir de imágenes térmicas del dosel obtenidas mediante una cámara termográfica, calibrado con sensores térmicos de termocuplas (STT), y correlacionarlo con la humedad volumétrica del suelo, durante la fase vegetativa del cultivo de arroz de la variedad IR 71706 bajo riego por goteo, del 15 de noviembre del 2017 al 29 de abril del 2018.

Materiales y métodos

El experimento fue realizado en el campo experimental del Área Experimental de Riego de la Universidad Nacional Agraria La Molina, localizado en el distrito de La Molina, provincia de Lima, Región Lima, Perú. El campo experimental se encuentra en la zona costera del país, en la cual se siembra arroz por contar con un clima árido cálido.

Se realizó almácigo y posterior trasplante a los 28 días después de la siembra (DDS) en 12 parcelas de 15 m2 con sistema de riego por goteo instalado. La investigación se dio en condiciones de potencial hídrico del suelo de 0 kPa (T0), -10 kPa (T1), -15 kPa (T2) y -20 kPa (T3), tratamientos que se limitaron a riegos de alternancia de humedecimiento y secado entre la fase vegetativa y reproductiva (78 a 103 DDS).

Para el estudio, se utilizó una cámara termográfica FLIR, modelo E60, que permitió obtener imágenes térmicas (IR, banda infrarroja) y ópticas (RGB, bandas rojo, verde y azul), con dimensiones de 320 x 240 y 2048 x 1536 píxeles, respectivamente. Además, se utilizaron 24 sensores térmicos de termocuplas (STT) tipo "T" (cable positivo de cobre y cable negativo de constantán, aleación de cobre y níquel, unidos mediante soldadura de estaño) de marca OMEGA, modelo TT-T-36-SLE-500, instalados en el dosel del cultivo con almacenamiento de datos a través del colector PC200W, marca Campbell Scientific.

Se utilizó una escalera de aluminio de 2,4 m, en bloques de concreto como bases de apoyo y rótula con nivel de burbuja instalados en la cámara con un ángulo de captura de 45°. En las parcelas se instalaron barras de acero con varillas forradas con aluminio para facilitar la georreferenciación de imágenes ópticas con térmicas. También se usó una malla de fibra de vidrio con pegatina para asegurar el contacto entre el STT y la hoja, a fin de no afectar la temperatura de medición por el aumento de temperatura de la malla o el impedimento en el intercambio gaseoso por medio de los estomas (Figura 1).

Figura 1 Elementos instalados en la cámara térmica y en campo para la toma de imágenes térmicas. 

Se utilizó un TDR (Time Domain Reflectometry) y cuatro FDR (Frequency Domain Reflectometry) para determinar la humedad del suelo. El TDR marca FIELDSCOUT, modelo 350, para medición puntual de la humedad a 12 y 20 cm de profundidad; el FDR marca DECAGON, modelo GS1, para el registro continuo de la humedad a 20 cm cada 30 minutos.

Para la medición de la temperatura del aire se utilizó un sensor digital marca Campbell Scientific, modelo CS215-L, precisión de +/- 0,4 °C, con un protector de radiación y colecta de datos por medio del colector PC200W.

La variedad de arroz fue la IR 71706 con rendimientos de 8 t ha-1 (Heros et al., 2017) tolerante a sequía para condiciones de riego y aridez bajo riego por goteo con distancia entre laterales de 0,5 m, entre goteros de 0,25 m (goteros autocompensados de 3,75 L/h). Adicionalmente, se acondicionaron cuatro macetas de 0,04 m3 con una planta en cada una con STT instalados: tres servirían para determinar la temperatura máxima (Ts) que alcanza el cultivo por cada fase (vegetativa, reproductiva y maduración) y el restante para registrar la temperatura en condiciones de saturación (Th).

De la cámara termográfica, cada imagen RGB se georreferenció con su respectiva imagen IR. Este proceso se dio con ayuda de los puntos de referencia instalados en campo. Una vez georreferenciada se procedió a cortar el área de la imagen RGB en relación con el área de la imagen IR, con el fin Cámara térmica de obtener ambas imágenes del mismo tamaño e idénticas en contenido. En cuanto a las imágenes IR, la calibración se realizó mediante el software FLIR Tools. La Tabla 1 muestra los parámetros requeridos para la calibración de las imágenes. La emisividad, según García et al. (2018) y Mira et al. (2017), tendrá un valor característico de 0,96 para coberturas vegetales. La temperatura reflejada se obtiene por medio de una pieza de papel de aluminio irregular, colocada entre la cámara y el objeto que se medirá , y usando para ello el valor de emisividad máxima (ε = 1). Esto es aplicado en el trabajo de Jones (2004), donde se indica que la temperatura de referencia de fondo se determinó mediante la medición de la temperatura de la hoja arrugada de papel de aluminio situado cerca de las hojas o dosel de interés y el uso de emisividad igual a 1, tomadas con una orientación NS (Costa et al., 2018). Se tomó como valor representativo el promedio de los píxeles de temperatura en el cartón recubierto con aluminio, previamente calibrados. Este valor de temperatura reflejada es utilizado en la calibración de la imagen IR de las parcelas experimentales.

Tabla 1 Parámetros para la calibración de imágenes térmicas. 

Entre las metodologías planteadas para la extracción de cobertura vegetal están la (I) superposición de imágenes, (II) temperaturas umbrales y (III) superposición de imágenes con temperaturas umbrales. De ellas se escogió aquella que obtuvo una mayor correlación con los datos de temperatura foliar encontrados mediante los STT (Kim et al., 2018).

En el método de temperaturas umbrales, las imágenes térmicas son procesadas por un algoritmo elaborado para seleccionar los píxeles de temperatura que se encuentren dentro del rango de las temperaturas húmedas y secas (Thúmeda < Tfoliar < Tseca). Posteriormente se selecciona el 33% de temperaturas inferiores, garantizando la selección de únicamente píxeles de temperatura foliar, según la experiencia indicada por Rud et al. (2014). Finalmente, se calcula el valor promedio de píxeles obteniéndose la temperatura foliar.

El método de superposición de imágenes utiliza la extracción de la temperatura foliar a través de la identificación de colores, previa superposición y corrección de la imagen óptica y térmica, que al tener diferente tamaño de píxel ocasiona errores (Wang et al., 2010). Por ello se siguieron los siguientes pasos:

I. Extracción de la hoja de la planta: a través de la identificación del color que sigue una distribución normal N (φ,Σ) en HSV (tonalidad, saturación y valor). Trabajando con estos valores es más simple aislar los colores. La tonalidad determina el color que se desea, la saturación determina la intensidad del color y el valor determina la claridad de la imagen. En la investigación de Wang et al. (2010) para seleccionar las hojas del cultivo de vid concluyeron que la distribución tenía las siguientes características: φ = [100, 0,6; 0,6]' y Σ = diag [30; 0,5; 0,25]'.

II. Extracción de la temperatura foliar: se crea una máscara con la distribución de píxeles obtenidos del paso anterior. Luego se extraen los valores de la temperatura foliar mediante la superposición de la máscara creada con la imagen térmica.

III. Estadísticas de la temperatura de la cubierta: la temperatura foliar de la planta puede estimarse con el promedio de los píxeles de temperatura foliar resultantes.

Por otro lado, se elaboraron diagramas de cajas para las temperaturas foliares, obtenidas por los STT, y las del aire entre las 0 y 24 horas, con intervalos de 5 minutos, por tratamiento y para cada fase fenológica (fase vegetativa, reproductiva y maduración).

Los diagramas de cajas fueron utilizados para la obtención de las temperaturas húmedas del cultivo. Se optó por extraer las medianas de la temperatura del aire, debido a la presencia de datos atípicos, insertándolos en los gráficos generados de temperatura foliar. A partir de ellas se obtuvo la hora representativa para la estimación de la temperatura húmeda donde el promedio de la temperatura del aire se intercepta con el promedio de la temperatura foliar para cada tratamiento y fase fenológica.

Para la estimación de la temperatura seca del cultivo se requiere de dos valores: la máxima temperatura del aire en el día más una constante representativa para cada fase fenológica (Rud et al., 2014). Para la primera variable, según las gráficas de diagramas de cajas obtenidas previamente, se determinaron las máximas temperaturas promedio del cultivo. Para la estimación de la constante (segunda variable) se utilizaron macetas sometidas a estrés hídrico hasta punto de marchitez permanente (PMP) por cada fase fenológica, como es el caso de la Figura 2 correspondiente a la fase vegetativa. Los gráficos generados de diagramas de cajas con intervalos cada 5 minutos fueron a partir de la diferencia de temperatura foliar respecto a la del aire. Se consideró como valor máximo de estrés hídrico a la máxima variación de temperatura foliar respecto a la del aire.

Figura 2 Variación cincominutal de la diferencia de la temperatura foliar y temperatura del aire (Tf -Ta) controladao en macetas con humedad desde saturación hasta punto de marchitez en la Fase Vegetativa 

Los resultados de cada metodología de los píxeles provenientes de la cámara termográfica se relacionaron, bajo diferentes regresiones estadísticas (lineal, potencial, exponencial, logarítmica, de segundo y tercer grado), con las temperaturas promedio estimadas por los STT para cada día y hora correspondiente, con prueba T de Student a un nivel de significancia del 0,05.

De la ecuación obtenida se calibraron los valores de temperatura foliar encontrados por la cámara termográfica. Posteriormente se calculó cada valor de CWSI correspondiente a cada día de captura de imágenes. Finalmente, cada valor de CWSI se relacionó con la humedad volumétrica del suelo (6%) a 12 y 20 cm de profundidad con coeficiente de Pearson, Kendall y Spearman, y prueba T de Student con un nivel de significancia del 0,05.

Resultados y discusión

Para obtener el índice de estrés hídrico del cultivo (CWSI) de arroz vía termografía se extrajeron imágenes térmicas de solo cobertura vegetal, las cuales se calibraron mediante sensores térmicos de termocuplas (STT). Los valores de CWSI fueron calculados con las temperaturas extraídas y las temperaturas húmeda y seca, obtenidas del registro de temperatura en las parcelas y macetas experimentales. Los resultados del CWSI por cada fecha de captura de imágenes se compararon con las humedades del suelo a profundidades de 12 y 20 cm correspondientes al día y la hora.

Sensor térmico de termocupla (STT)

La información de temperaturas foliares recolectadas con el sensor se encuentra entre los 46 y 166 días después de la siembra (DDS). Al ordenar de forma diaria la información por tratamiento en paralelo a la información de temperatura del aire, se constató que durante la aplicación de los tratamientos (78 a 103 DDS), el aumento de la temperatura foliar se dio desde los 35 °C hasta los 40 °C de forma gradual, debido a la disminución gradual de la humedad del suelo. Luego de los tratamientos, las temperaturas foliares disminuyeron gradualmente hasta llegar de nuevo a 35 °C. Asimismo, días antes de la cosecha (151 DDS) se procedió al corte de agua para la maduración de los granos de arroz. En este periodo la temperatura foliar aumentó en 4 °C. Todo lo mencionado estaría indicando que sí existe una relación entre la temperatura foliar y el estrés hídrico al cual está sometido el cultivo.

Siguiendo el procedimiento para la obtención de la temperatura húmeda (Th) del cultivo, se establecieron las horas, según tratamiento y fase fenológica, variando entre las 7:40 y 8:15 horas de la mañana (Tabla 2). Estas horas representativas servirán para determinar la Th por cada día. La variación de la temperatura dentro del rango mencionado es de hasta 0,4 °C.

Tabla 2 Hora representativa para la estimación de la temperatura húmeda del cultivo obtenida de la intersección de la temperatura del aire con la temperatura foliar durante el desarrollo del cultivo según tratamiento y fase fenológica. 

En cuanto a la temperatura seca (Ts), como se indicó, se requiere de dos valores. Para la temperatura del aire se obtuvieron las horas, según tratamiento y fase fenológica, variando entre las 12:20 y 13:25 horas (Tabla 3), que se encuentran dentro del rango de captura de las imágenes RGB e IR. Para la constante se consideró como valor máximo de estrés hídrico a la máxima variación de temperatura foliar respecto a la del aire, obteniéndose valores de 18,8; 15,2 y 14 °C por fase. Entonces, la fórmula para la estimación de la temperatura seca fue: Ts = Ta + 18,8 °C (fase vegetativa), Ts = Ta + 15,2 °C (fase reproductiva) y Ts = Ta + 14,0 °C (fase maduración). La fase vegetativa posee una constante mayor debido a que alcanzó mayores temperaturas, por la cercanía de las hojas al suelo. Sin embargo, estas variaciones (menores de 7 °C) no resultaron significativas.

Tabla 3 Hora representativa para la estimación de la temperatura seca del cultivo obtenido de la máxima temperatura foliar durante el desarrollo del cultivo según tratamiento y fase fenológica. 

Cámara termográfica

Método de superposición de imágenes

En este método se obtiene una cobertura vegetal aproximada a la cobertura original de la imagen RGB. La imagen tiene una dimensión de 320 x 240 píxeles, donde cada píxel muestra un área en particular como cobertura vegetal, aluminio, entre otros elementos presentes en cada imagen. Con el método aplicado se eliminan los píxeles que no corresponden a la cobertura vegetal. Sin embargo, al superponerla con la imagen IR se observa que existen píxeles con temperaturas elevadas (Figura 3a), debido a la variabilidad en las condiciones del estado de estrés hídrico del cultivo dentro de la misma imagen. Generalmente estas se muestran como hojas ligeramente amarillas, lo cual implica que se encuentran más estresadas. La distribución de los píxeles obtenidos posee las siguientes características: φ = [82; 0,7; 0,6]' y Σ = diag [12,6; 0,2; 0,14]', semejantes a las encontradas por Wang et al. (2010) para las hojas del cultivo de vid.

Figura 3 Métodos para la extracción de cobertura foliar del cultivo bajo el método de superposición(a), temperaturas umbrales (b) y superposición de imágenes - temperaturas umbrales (c).Tratamiento: T0. Fecha de captura: 29 de enero del 2018 (75 días después de la siembra, DDS). 

Método de temperaturas umbrales

En este segundo método se obtiene una cobertura vegetal más reducida, priorizando aquellas hojas más verdes. Esta es lograda a partir de la imagen térmica, la cual reduce la variabilidad de temperaturas foliares de los píxeles seleccionados (Figura 3b). Sin embargo, también selecciona aquellos píxeles correspondientes al aluminio.

Método de superposición-temperaturas umbrales

Este método selecciona exclusivamente aquellos píxeles correspondientes a hojas verdes, y es similar al método de temperaturas umbrales, excluyendo otros elementos externos como era el caso del aluminio (Figura 3c).

Análisis de regresión estadística

Al analizar la dispersión de datos de las temperaturas foliares resultantes de las metodologías correspondientes a cada valor de temperatura foliar obtenido por los STT, en el primer método (Figura 4a) se observa una gran variación con una máxima de 14,8 °C y mínima de 3,8 °C; en el segundo método (Figura 4b), reducción de la variación a una máxima de 7,1 °C y mínima de 1,1 °C, y en el tercer método (Figura 4c), mayor reducción de la variación a una máxima de 4,5 °C y mínima de 0,8 °C.

Figura 4 Variación de temperaturas en la relación entre la temperatura estimada por los sensores térmicos de termocuplas (STT) y la temperatura estimada por el método de superposición de imágenes (a), temperaturas umbrales (b) y superposición de imágenes - temperaturas umbrales (c). 

Los resultados del tercer método se analizaron bajo distintas regresiones estadísticas. De ellas se escogió la regresión potencial por tener el coeficiente de determinación más alto (r2 = 0,481) y significativa según la prueba T de Student (Figura 5), lo cual no cumplen las regresiones de grado 2 (r2 = 0,489) y grado 3 (r2 = 0,498) pese a tener un mayor coeficiente de determinación. Por esta razón, al ser la regresión potencial la regresión estadística más adecuada para la calibración, se analizó por tratamiento. Con la prueba T de Student se obtuvo que sólo en la regresión potencial del tratamiento T2 no existen diferencias significativas entre las medias de las variables. Además, como se trató de variables normales (prueba de Kolmogorov-Smirnov), se obtuvieron los coeficientes de Pearson. Este tratamiento presentó el mayor coeficiente: 0,841. Por esta razón, se trabajó con la ecuación de correlación de temperatura foliar correspondiente al tratamiento T2 para la regresión potencial (Figura 6).

Figura 5 Relación entre la temperatura estimada por los sensores térmicos de termocuplas (STT) y la temperatura estimada por el método de superposición - temperaturas umbrales bajo distintas regresiones estadísticas. 

Figura 6 Relación entre la temperatura estimada por los sensores térmicos de termocuplas (STT) y la temperatura estimada por el método de superposición - temperaturas umbrales con regresión potencial. 

Índice de estrés hídrico foliar (CWSI)

Con el método de superposición - temperaturas umbrales bajo la regresión potencial, se obtuvo la variación de la temperatura foliar considerando todas las imágenes RGB e IR de las parcelas experimentales según fase fenológica. Por día se determinaron las temperaturas umbrales húmeda y seca del cultivo, y se calcularon los CWSI.

Fueron agrupadas mediante diagramas de cajas, y las medianas de CWSI tuvieron variaciones entre 0,2 y 0,8. Los valores al inicio de la fase vegetativa se mantienen elevados con medianas entre 0,4 y 0,6, indicando que se encuentran estresadas. En la fase de maduración se observa que al aplicar las secas para la maduración de granos, el CWSI se eleva a valores cercanos a 0,8 en los tratamientos T1, T2 y T3, lo cual indica que se encuentran con déficit hídrico. Analizando los días nublados, correspondientes a los 61, 68 y 96 DDS, se evidencia que mantienen CWSI bajos entre 0,2 y 0,3. El CWSI obtenido a los 96 DDS no se correspondió con la situación del cultivo, pues en este periodo (78 a 103 DDS) se aplicaron los tratamientos, mostrando que el CWSI no refleja el verdadero estado del cultivo en condiciones nubladas.

Relación CWSI - Humedad del suelo

En el registro de la humedad del suelo se observó una disminución de la humedad entre los 78 y 103 DDS para los tratamientos T1, T2 y T3, lo cual estaría respaldando la aplicación de los tratamientos. La variación de humedad volumétrica del suelo a los 12 y 20 cm de profundidad fue entre 16-52% y 25-42%, respectivamente.

Con respecto al periodo de aplicación de los tratamientos (Figura 7), se constata que los tratamientos T1, T2 y T3 se ven muy diferenciados del tratamiento T0. Esto se debe a que dichos tratamientos estuvieron sometidos a mayor estrés hídrico en comparación con T0. Inicialmente se incrementa a un CWSI promedio de 0,5 en los tres tratamientos (T1, T2 y T3), de los cuales el tratamiento T3 alcanza un CWSI de 0,7 como máximo a los 100 DDS. Respecto a los 96 DDS, este día fue registrado como nublado, y según los resultados de CWSI nos indicaría que el cultivo se encuentra en condiciones de estrés hídrico bajo. Como contrapartida, según lo observado por el registro de humedad, se demuestra que sí estuvo sometido a estrés hídrico. Lo mencionado evidenciaría que el uso de esta metodología en condiciones nubladas no reflejaría las condiciones reales a las que está sometido el cultivo. En cuanto al tratamiento T2, se observó que los valores máximos fueron a los 89 y 98 DDS, que guardan relación con los dos riegos aplicados, mientras que el tratamiento T3 fue solo un riego hecho después de los 100 DDS.

Figura 7 Variación del CWSI para el periodo de aplicación de los tratamientos entre los 79 y 103 días después de la siembra (DDS). 

La relación entre los valores de CWSI y las humedades volumétricas del suelo (0%) se dio bajo una regresión lineal, como es el caso de Xu et al (2016). Para la profundidad de 12 cm, la prueba de Kolmogorov- Smirnov determina que la variable CWSI posee una distribución normal, mientras que la variable 0% (12 cm) una distribución no normal. La prueba T de Student indica que no existe diferencia significativa entre las medias de las variables. Según la naturaleza de las variables, se realizaron las pruebas de Pearson, Kendall y Spearman. Los coeficientes obtenidos son -0,440; -0,306 y -0,421, respectivamente (Figura 8a). Para la profundidad de 20 cm, la prueba de Kolmogorov-Smirnov demuestra que la variable CWSI posee una distribución normal, mientras que la variable 0% (12 cm) una distribución no normal. La prueba T de Student indica que no existe diferencia significativa entre las medias de las variables. Debido a las mismas razones mencionadas se realizaron las pruebas de Pearson, Kendall y Spearman. Los coeficientes obtenidos son -0,489; -0,347 y -0,486, respectivamente (Figura 8b).

Figura 8 Relación entre el índice de estrés hídrico del cultivo (CWSI) y la humedad volumétrica del suelo a 12 cm de profundidad (a) y a 20 cm de profundidad (b). 

Estas correlaciones inversas se justifican con la correspondencia de que, a menor humedad del suelo, mayor es el requerimiento hídrico y, por ende, mayor es el índice de estrés hídrico del cultivo. Por otro lado, las correlaciones más elevadas se obtienen a mayor profundidad debido a que, a menor profundidad, la humedad del suelo es afectada en mayor medida por la evaporación del suelo.

En cuanto al rendimiento, se concluye que a mayor estrés hídrico el rendimiento es menor. En caso de que se requiera reducir la lámina de agua, el tratamiento T1 sería el óptimo, pues obtuvo un rendimiento de 9,37 t ha-1, mayor que el promedio nacional de 7,19 t ha1 (MINAGRI, 2018), con un volumen aplicado de 8781 m3/ha-1 que significa una reducción del 4,44% del consumo de agua en T0. Respecto a la eficiencia de uso de agua, tanto T0 como T1 presentan altos valores en comparación con T2 y T3 (Tabla 4).

Tabla 4 Volumen total de agua aplicada, rendimiento y eficiencia de uso de agua durante el desarrollo del cultivo de arroz del Área Experimental de Riego. 

La metodología desarrollada en la investigación podría tener un impacto positivo en la programación de riego, debido a que se estimaría el nivel de estrés hídrico al que está sometido el cultivo in situ y en tiempo real, con lo cual se regaría solo lo necesario. Además, gracias al uso de imágenes térmicas se podría dar dicha estimación por zonas diferenciadas en toda la extensión agrícola.

Conclusiones

La investigación usa imágenes térmicas obtenidas del dosel del cultivo de arroz para la estimación del índice de estrés hídrico foliar (CWSI). Los resultados mostraron que, en la extracción de cobertura vegetal de las imágenes térmicas, el método de superposición de imágenes con temperaturas umbrales obtuvo la mejor relación bajo regresión potencial respecto a las temperaturas alcanzadas mediante sensores térmicos de termocuplas (STT). La ecuación es Tcorregida = 0,2572 x Tcámara14342. Finalmente, la relación entre el CWSI y la humedad volumétrica del suelo a profundidades de 12 y 20 cm obtuvo coeficientes de (-0,440; -0,306 y -0,421) a 12 cm y (-0,489; -0,347 y -0,486) a 20 cm, para las correlaciones de Pearson, Kendall y Spearman, respectivamente, profundidad del suelo con menor efecto de la evaporación del suelo.

Esperamos que este estudio contribuya con las futuras investigaciones relacionadas con la evaluación del estrés hídrico de diferentes cultivos utilizando termografía, así como la optimización en el uso eficiente del recurso hídrico con fines agrícolas según las necesidades reales de la planta.

Agradecimientos

Al proyecto "Uso de sensores remotos para determinar índice de estrés hídrico en el mejoramiento del manejo de riego de arroz (Oryza Sativa) en zonas áridas, para enfrentar al cambio climático". Convenio N° 008-2016-INIA-PNIA/UPMSI/IE.

Literatura citada

Berni, J; Zarco, P; Sepulcre, P; Fereres, E; Villalobos, F. 2009. Mapping canopy conductance and CSWI in olive orchards using high resolution thermal remote sensing imagery. Remote Sensing of Environment, 113: 2380-2388. [ Links ]

Camino, C; Zarco-Tejada, P; González-Dugo, V. 2018. Effects of heterogeneity within tree crowns on airbone -quantified SIF and the CWSI as indicators of water stress in the context of precision agriculture. Remote Sensing, 10(4): 604: 1-18. [ Links ]

Costa, J; Egipto, R; Sánchez-Virosta, A; Lopes, C; Chaves, M. 2018. Canopy and soil thermal patterns to support water and heat stress management in vineyards. Agricultural Water Management, 216: 484-496. [ Links ]

Cucho-Padin, G.; Rinza, J.; Ninanya, J.; Loayza, H.; Quiroz, R.; Ramírez, D. 2020. Development of an open-source thermal image processing software for improving irrigation management in potato crops (Solanum tuberosum L.). Sensors, 20: 1-17. [ Links ]

FAO. 2018. Seguimiento del mercado del arroz de la FAO. Organización de las Naciones Unidas para la Alimentación y la Agricultura. 10 p. [ Links ]

García-Tejero, L; Rubio, A; Viñuela, L; Hernández, A; Gutiérrez-Gordillo, S; Rodríguez-Pleguezuelo, C; Durán-Zuazo, V. 2018. Thermal imaging at plant level to assess the crop-water status in almond trees (cv. Guara) under deficit irrigation strategies. Agricultural Water Management, 208: 176-186. [ Links ]

Heros, E; Gómez, L; Sosa, G. 2017. Utilización de los índices de selección en la identificación de genotipos de arroz (Oryza sativa L.) tolerantes a sequía. Producción Agropecuaria y Desarrollo Sostenible, 2: 11-31. [ Links ]

Jones, H. 2004. Application of thermal imaging and infrared sensing in plant physiology and ecophysiology. Advances in Botanical Research, 41: 108-155. [ Links ]

Kim, Y; Still, C; Roberts, D; Goulden, M. 2018. Thermal infrared imaging of conifer leaf temperatures: comparison to thermocouple measurements and assessment of environmental influences. Agricultural and Forest Meteorology, 248: 361-371. [ Links ]

López, R; Arteaga, R; Vásquez, M; López, I; Sánchez, I. 2009. Índice de estrés hídrico como un indicador del momento de riego en cultivos agrícolas. Agricultura Técnica en México, 35: 97-111. [ Links ]

MINAGRI. 2018. Informe de coyuntura arroz. 2018. Dirección General de Seguimiento y Evaluación de Políticas. Ministerio de Agricultura y Riego. Lima, Perú. 9 p. [ Links ]

Mira, M; Javier, G; Oscar, G; Xavier, P. 2017. Análisis comparativo de métodos para la estimación de la emisividad en la banda térmica del sensor TM de landsat-5. Revista Internacional de Ciencia y Tecnología de la Información Geográfica, GeoFocus, 29: 55-80. [ Links ]

Quebrajo, L; Pérez-Ruiz, M; Pérez-Urrestarazu, L; Martínez, G; Egea, G. 2018. Linking thermal imaging and soil remote sensing to enhance irrigation management of sugar beet. Biosystems Engineering, 165: 77-87. [ Links ]

Rinza, J; Ramírez, D; García, J; Mendiburu, F; Yactayo, W; Barreda, C; Velásquez, T; Mejía, A; Roberto, Q. 2019. Infrared radiometry as a tool for early water deficit detection: insights into its use for establishing irrigation calendars for potatoes under humid conditions. Potato Research, 62(2): 109-122. [ Links ]

Rud, R; Cohen, Y; Alchanatis, V; Levi, A; Brikman, R; Shenderey, C; Heuer, B; Markovitch, T; Dar, Z; Rosen, C; Mulla, D; Nigon, T. 2014. Crop water stress index derived from multi-year ground and aerial thermal images as an indicator of potato water status. Precision Agriculture, 15(3): 273-289. [ Links ]

Wang, X; Yang, W; Wheaton, A; Cooley, N; Moran, B. 2010. Automated canopy temperature estimation via infrared thermography: a first step towards automated plant water stress monitoring. Computers and Electronics in Agriculture, 73: 74-83. [ Links ]

Weiss, M; Jacob, F; Duveiller, G. 2020. Remote sensing for agricultural applications: A meta-review, Remote Sensing of Environment, 236: 1-19. [ Links ]

Xu, J; Lv, Y; Liu, X; Dalson, T; Yang, S; Wu, J. 2016. Diagnosing crop water stress of rice using infra-red thermal imager under water deficit condition. International Journal of Agriculture and Biology, 18(3): 565-572. [ Links ]

Recibido: 23 de Abril de 2020; Aprobado: 02 de Enero de 2021

Creative Commons License Este es un artículo publicado en acceso abierto bajo una licencia Creative Commons