Estimation of forage availability and parameters associated to the nutritional quality of Urochloa humidicola cv Llanero based on multispectral images




The use of multispectral images for pasture evaluation has become a practical tool for the management of pastoral systems at farm level, as those images allow the construction of vegetation indexes (IV) which are related to different productive and physiological characteristics of the plants. The objective of this study was to use IV for estimating the forage supply and nutritional quality of Urochloa humidicola cv Llanero pastures. Forage availability (OF) and plant height (ALP) were measured in the field after 28 days of regrowth, and samples were taken for spectrum radiometric analysis to determine the crude protein (CP), neutral detergent fiber (NDF), acid detergent fiber (ADF) and lignin (LIG) contents. Flights were made at 70 meters and seven vegetation indexes (NDVI, GCI, SRPI, SR, GNDVI, SAVI and RDVI) were evaluated. Data analysis was performed by using principal components (PC) and generalized additive models (GAM). The variables that contributed the most to CP1 were those associated to pasture nutritional quality and for CP2 were grouped those associated to forage availability. NDVI was the index best related to OF with a significant effect by ALP (p≤0.001), and for CP with GNDVI. The NDF, ADF and LIG values showed low R2.


Alonso M; Rozados MJ; Ignacio MF Rozas V; Lamas S; Chapela D; Fontúrbel MT. 2008. Nitrógeno foliar como estimador de clorofila en una población en de Laurus nobilis del parque nacional de las islas atlánticas, Galicia (No España). Cuadernos de la Sociedad Española de Ciencias Forestales 25:61–66.

Ariza-Nieto C; Mayorga OL; Mojica B; Parra D; Afanador-Tellez G. 2018. Use of LOCAL algorithm with near

infrared spectroscopy in forage resources for grazing systems in Colombia. Journal of Near Infrared Spectroscopy 26(1):44–52. doi: 10.1177/0967033517746900

Arruda DSR; Canto MW do; Jobin CC; Carvalho PCF. 2011. Estimate methods of the herbage mass on stargrass submitted to grazing intensities. Ciência Rural 41(11):2004–2009. (En Portugués). doi: 10.1590/S0103-84782011005000141

Bernardi ACC; Pérez NB. 2014. Agricultura de precisão em pastagens. En: Bernardi ACC; Naime JM; Resende AV de; Bassoi LH; Inamasu, RY (Ed.) Agricultura de precisão: resultados de um novo olhar. Brasília, DF: Embrapa 492–499.

Birth GS; McVey GR. 1968. Measuring the color of growing turf with a reflectance spectrophotometer. Agronomy Journal 60(6):640–643. doi: 10.2134/agronj1968.00021962006000060016x

Blanco JC; Rojas AC; Rodríguez CH; Malagón R. 2014. Relación entre índices de vegetación y estados de degradación de pasturas en zonas de lomerío del departamento de Caquetá. Momentos de Ciencia 11:35–41.

Braga GJ; Pedreira CGS; Herling VR; Luz PHC; Marchesin WA; Macedo FB. 2009. Quantifying herbage mass on rotationally stocked palisade grass pastures using indirect methods. Scientia Agricola 66(1):127–131. doi: 10.1590/S0103-90162009000100018

Brenner C; Zeeman M; Bernhardt M; Schulz K. 2017. Estimation of evapotranspiration of temperate grassland based on high-resolution thermal and visible range imagery from unmanned aerial systems. International Journal of Remote Sensing 39(15–16):5141–5174. doi: 10.1080/01431161.2018.1471550

Calderón M; Varela A; Valencia CA. eds. 1982. Descripción de las plagas que atacan los pastos tropicales y características de sus daños [conjunto audiotutorial]. Centro Internacional de Agricultura Tropical (CIAT), Cali, CO. 1 carrusel, 106 diapositivas, casete (42 min.) + guía de estudio (52 p.) + guión (23 p.). (Serie 04SP-03.01).

Canchila ER; Soca M; Ojeda F; Machado R. 2009. Evaluación de la composición bromatológica de 24 accesiones de Brachiaria spp. Pastos y Forrajes 32(4).

Capolupo A; Kooistra L; Berendonk C; Boccia L; Suomalainen J. 2015. Estimating plant traits of grasslands from UAV-acquired hyperspectral images: A comparison of statistical approaches. ISPRS International Journal of Geo-Information, 4(4):2792–2820. doi: 10.3390/ijgi4042792

Carulla JE; Lascano CE; Ward JK. 1991. Selectivity of resident and oesophageal fistulated steers grazing Arachis pintoi and Brachiaria dictyoneura in the Llanos of Colombia. Tropical Grasslands 25:317–324.

Centro Internacional de Agricultura Tropical (CIAT). 1991. Tropical Pasture Program 1987–1991. Annual Report v.1. En: Tropical Pastures Program Annual Reports-CIAT Informes Anuales de Programa de Pastos Tropicales: 1979–2010. Cali, Colombia: International Center for Tropical Agriculture (CIAT).

Chiacchio SSR. 2017. Unmanned aerial vehicle Rotary-wing in the activity of mapping and image collection on precision agriculture and monitoring of animals. MSc. Tesis. Universidade de Sao Paulo, São Paulo, Brasil. (En Portugués). doi: 10.11606/D.74.2017.tde-24042017-104340

Chuvieco E. 2002. Teledetección ambiental: la observación de la tierra desde el espacio. 1a. ed. Barcelona. Editorial Ariel.

Cook BG; Schultze-Kraft R. 2015. Botanical name changes-nuisance or a quest for precision? Tropical Grasslands-Forrajes Tropicales 3(1):34–40. doi: 10.17138/tgft(3)34-40

Costa NL; Rodrigues ANA; Malgalhaes JA; Bendahan AB; Rodrigues BHN; Santos FJS. 2019. Morphogenesis and chemical composition of Brachiaria humidicola cv. Llanero under rest periods. Research, Society and Development 8(10):e228101356. (En Portugués). doi: 10.33448/rsd-v8i10.1356

Díaz RA; Alvarez M; Pérez O. 2021. Use of remote sensors to determine forage availability in grazed pastures of Urochloa humidicola cv. Llanero in the Colombian Altillanura. Tropical Grasslands-Forrajes Tropicales. 9(3):376–382. doi: 10.17138/tgft(9)376-382

Fournel S; Rousseau AN; Laberge B. 2017. Rethinking environment control strategy of confined animal housing systems through precision livestock farming. Biosystems Engineering 155(March):96–123. doi: 10.1016/j.biosystemseng.2016.12.005

Gargiulo J; Clark C; Lyons N; de Veyrac G; Beale P; Garcia S. 2020. Spatial and temporal pasture biomass estimation integrating Electronic Plate Meter, Planet CubeSats and Sentinel-2 Satellite Data. Remote Sensing 12(19):3222. doi: 10.3390/rs12193222

Giraldo LA; Hincapié AC; Vásquez ME; Zapata CM. 1989. Evaluación de gramíneas y leguminosas forrajera en Amalfi, Colombia. Pasturas Tropicales 11(2):20–24.

Giraldo LA; Ranilla MJ; Tejido ML; Carro MD. 2007. Efecto de la sustitución de Brachiaria dictyoneura por Acacia mangium sobre la fermentación ruminal in vitro. Pasturas Tropicales 29(1):39–46.

Gitelson AA; Merzlyak MN. 1998. Remote sensing of chlorophyll concentration in higher plant leaves. Advances in Space Research 22(5):689–692. doi: 10.1016/S0273-1177(97)01133-2

Gitelson AA; Gritz Y; Merzlyak MN. 2003. Relationships between leaf chlorophyll content and spectral reflectance and algorithms for non-destructive chlorophyll assessment in higher plant leaves. Journal of Plant Physiology 160(3):271–282. doi: 10.1078/0176-1617-00887

Huete AR. 1988. A Soil-Adjusted Vegetation Index (SAVI). Remote Sensing of Environment 25(3):295–309. doi: 10.1016/0034-4257(88)90106-X

Instituto Colombiano Agropecuario. 1987. Pasto Llanero, Brachiaria dictyoneura (fig. and De Nuf) Stapf. Boletín Técnico (151).

Insua JR; Utsumi SA; Basso B. 2019. Estimation of spatial and temporal variability of pasture growth and digestibility in grazing rotations coupling unmanned aerial vehicle (UAV) with crop simulation models. PLOS ONE 14(3): e0212773. doi: 10.1371/journal.pone.0212773

Kerkech M; Hafiane A; Canals R. 2020. Vine disease detection in UAV multispectral images using optimized image registration and deep learning segmentation approach. Computers and Electronics in Agriculture 174:105446. doi: 10.1016/j.compag.2020.105446

Kharuf-Gutierrez S; Orozco-Morales R; Aday OC; Pineda E. 2018. Multispectral aerial image processing system for precision agriculture. Sistemas & Telemática 16(47):45–58. doi: 10.18046/syt.v16i47.3221

Lê S; Josse J; Husson F. 2008. FactoMineR: An R Package for Multivariate Analysis. Journal of Statistical Software 25(1):1–18. doi: 10.18637/jss.v025.i01

Maimaitijiang M; Sagan V; Sidike P; Hartling S; Esposito F; Fritschi FB. 2020. Soybean yield prediction from UAV using multimodal data fusion and deep learning. Remote Sensing of Environment 237:111599. doi: 10.1016/j.rse.2019.111599

Maire J; Gibson-Poole S; Cowan N; Reay DS; Richards KG; Skiba U; Rees RM; Lanigan GJ. 2018. Identifying urine patches on intensively managed grassland using aerial imagery captured from Remotely Piloted Aircraft Systems. Frontiers in Sustainable Food Systems 2:10. doi: 10.3389/fsufs.2018.00010

Michez A; Lejeune P; Bauwens S; Herinaina AAL; Blaise Y; Castro E; Lebeau F; Bindelle J. 2019. Mapping and monitoring of biomass and grazing in pasture with an Unmanned Aerial System. Remote Sensing 11(5):473. doi: 10.3390/rs11050473

Mitsikostas A. 2017. Monitorización y optimización de tierras con drones y fotogrametría aérea para aplicaciones de precisión en agricultura. MSc. Tesis. Universidad Politécnica de Valencia, Valencia, España.

Neves MC; Perez NB; Luiz AJB; Deibler A; Pinho LB de. 2019. Avaliação de sensor multiespectral em mapeamentos da infestação de pastagens naturais pelo capim-annoni. Anais de XIX Simpósio Brasileiro de Sensoramiento Remoto. 14 a 17 de abril. Santo, Brasil. handle/doc/1117339

Nguku S. 2015. An evaluation of Brachiaria grass cultivars productivity in semi arid Kenya MSc. Tesis. Universidad del Sureste de Kenia, Kitui County, Kenia. handle/123456789/1380

O'Mara FP. 2012. The role of grasslands in food security and climate change. Annals of Botany 110(6):1263–1270. doi: 10.1093/aob/mcs209

Pardo O; Pérez O. 2010. Alternativas forrajeras para los llanos orientales de Colombia. En: Rincón A; Jaramillo CA (Ed.) Establecimiento, manejo y utilización de recursos forrajeros en sistemas ganaderos de suelos ácidos. Corporación Colombiana de Investigación Agropecuaria-Corpoica, 27–70.

Passoni F; Rosemberg M; Flores A. 1992. Evaluación de gramíneas y leguminosas forrajeras en Satipo, Perú. Pasturas Tropicales 14(1):32–35.

Peñuelas J; Bart F; Filella I. 1995. Semi-empirical indexes to assess carotenoids/chlorophyll a ratio from leaf spectral reflectance. Photosynthetica 31(2):221–230.

Pereira PAR; Días JLA; Silva AM; Ferreira TA; Silva TL da; Neto SPS. 2015. Imagens multiespectrais para estimar características produtivas de gramíneas tropicais. Instituto Federal de Tocantins, 6a JICE-Jornada de Iniciação Científica e Extensão.

Pérez RA; Cuesta PA. 1994. Especies forrajeras para el piedemonte llanero, su fertilización y manejo. En: CORPOICA; SEAGRO (Ed.) Producción de pasto en el piedemonte llanero. 4–14. handle/20.500.12324/13485

Pérez, O; Bueno, G; Baquero J; Onofre HG; Cassalett E; Molina AM; Arango MA; Velásquez JG; Rodríguez NS; Moreno LM; Amaya CV; Bernal JH ; Correal WA; Pabón DM; Villalobos MA; Velásquez JH; Fuentes JC. 2019. Modelo productivo tecnologías integrales para sistemas de producción de bovinos de cría en la altillanura colombiana. Corporación Colombiana de Investigación Agropecuaria - Agrosavia. Mosquera, Colombia. 203 p.

Pessi DD; José JV; Mioto CL; Silva NM da. 2020. Remotely piloted aircraft (drone) of low cost in the invasive species study in Cerrado areas. Nativa 8(1):66–80. (En Portugués). doi: 10.31413/nativa.v8i1.8433

Posada-Asprilla W; Cerón-Muñoz M. 2019. Influencia del ángulo de iluminación solar y la altura de la toma de la imagen multiespectral sobre la estimación de biomasa de pasto kikuyo. Revista U.D.C.A Actualidad & Divulgación Científica 22(2):e1338. doi: 10.31910/rudca.v22.n2.2019.1338

Posada-Asprilla W; Medina-Sierra M; Cerón-Muñoz M. 2019. Estimación de la calidad y cantidad de pasto kikuyo [Cenchrus clandestinum (Hochst. ex Chiov.) Morrone] usando imágenes multiespectrales. Revista U.D.C.A Actualidad & Divulgación Científica 22(1):e1195. doi: 10.31910/rudca.v22.n1.2019.1195

Pullanagari RR; Yule IJ; Hedley MJ; Tuohyet MP; Dynes RA; King WM. 2012. Multi-spectral radiometry to estimate pasture quality components. Precision Agriculture 13:442–456. doi: 10.1007/s11119-012-9260-y

R Development Core Team. 2016. R: A Language and Environment for Statistical Computing. Version 4.0.0 2020-04-24, Arbor Day.

Ramírez A. 2013. Evaluación del crecimiento de pastos usando índices de vegetación calculados a partir de información satelital MSc. Tesis. Universidad Nacional, Medellín, Colombia. handle/unal/75325

Rincón A. 2011. Efecto de alturas de corte sobre la producción de forraje de Brachiaria sp. en el Piedemonte Llanero de Colombia. Revista Corpoica. Ciencia y Tecnología Agropecuaria 12(2):107–112. 10.21930/rcta.vol12_num2_art:219

Rincón A; Álvarez M. 2010. Características agroecológicas de la Orinoquia colombiana. En: Rincón A; Jaramillo CA (Ed.) Establecimiento, manejo y utilización de recursos forrajeros en sistemas ganaderos de suelos ácidos. Corporación Colombiana de Investigación Agropecuaria-Corpoica, 9–26.

Rincón A; Álvarez M; Pardo O; Amaya MA; Díaz RA. 2019. Estimación de la concentración de clorofila y su relación con la concentración de proteína cruda en tres especies del pasto Urochloa en el Piedemonte Llanero, Colombia. Tropical Grasslands 7(5):533–537. doi: 10.17138/tgft(7)533-537

Rincón A; Flórez H; Ballesteros H; León LM. 2018. Efectos de la fertilización en la productividad de una pastura de Brachiaria humidicola cv. Llanero en el Piedemonte de los Llanos Orientales de Colombia. Tropical Grasslands-Forrajes Tropicales 6(3):158–168. doi: 10.17138/tgft(6)158-168

Rincón A; Ligarreto GA. 2010. Relación entre nitrógeno foliar y el contenido de clorofila, en maíz asociado con pastos en el Piedemonte Llanero colombiano. Revista Corpoica. Ciencia y Tecnología Agropecuaria 11(2):122–128. doi: 10.21930/rcta.vol11_num2_art:202

Ripley BD; Venables B; Bates D; Hornik K; Gebhardt A; Firth D. 2020. Package “MASS”. Version 7.3-57.

Roujean JL; Breon FM. 1995. Estimating PAR absorbed by vegetation from bidirectional reflectance measurements. Remote Sensing of Environment 51(3):375–384. doi: 10.1016/0034-4257(94)00114-3

Rouse J; Haas RH; Schell JA; Deering DW. 1974. Monitoring Vegetation Systems in the Great Plains with ERTS. Third ERTS Symposium, NASA p. 309–317. Paper A20

Sánchez G; Osorio E; Alvarez JA; Marín J; Sánchez A; Gil JO. 1989. Adaptación y producción de gramíneas y leguminosas forrajeras en el departamento de Antioquia, Colombia. Pasturas Tropicales 11(3):8–15.

Sánchez J; Villareal M; Soto H. 2000. Caracterización nutricional de los componentes forrajeros de cuatro asociaciones gramíneas/Arachis pintoi. Nutrición Animal Tropical 6(1): 1–22. handle/10669/13522

Sankey T; Leonard JM; Moore MM. 2019. Unmanned aerial vehicle−based rangeland monitoring: examining a century of vegetation changes. Rangeland Ecology & Management, 72(5):858–863. doi: 10.1016/j.rama.2019.04.002

Santillán RA; Ocumpaugh WR; Mott GO. 1979. Estimating Forage Yield with a Disk Meter. Agronomy Journal 71(1):71–74. doi: 10.2134/agronj1979.00021962007100010017x

Scarabotti DS; Feldman SR; Refi R. 2011. Evaluación de distintos métodos para estimar la biomasa aérea en macollas de Spartina argentinensis parodi. Pastos 32(1):69–79.

Shanahan JF; Schepers JS; Francis DD; Varvel GE; Wilhelm WW; Tringe JM; Schlemmer MR; Major DJ. 2001. Use of remote-sensing imagery to estimate corn grain yield. Agronomy Journal 93(3):583–589. doi: 10.2134/agronj2001.933583x

Sinde I; Yánez D; Grefa J; Arza M; Gil M. 2020. Estimación del rendimiento del pasto mediante NDVI con imágenes multiespectrales de vehículos aéreos no tripulados (UAV). Revista Geoespacial 17(1):25–38.

Starks PJ; Zhao D; Phillips WA; Coleman SW. 2006. Development of canopy reflectance algorithms for real-time prediction of Bermuda grass pasture biomass and nutritive value. Crop Science 46(2):927–934. doi: 10.2135/cropsci2005.0258

Vela JW; Flores A. 1996. Productividad animal de la asociación Brachiaria dictyoneura CIAT 6133-Desmodium ovalifolium CIAT 350 en Pucallpa. Pasturas Tropicales 18(1): 13–18.

Wood S. 2019. Mixed GAM Computation Vehicle with Automatic Smoothness Estimation. Package “mgcv”. Version 1.8-31.

Zerbato C; Rosalen DL; Furlani CEA; Deghaid J; Voltarelli MA. 2016. Agronomic characteristics associated with the normalized difference vegetation index (NDVI) in the peanut crop. Australian Journal of Crop Science 10(5):758–764. doi: 10.21475/ajcs.2016.10.05.p7167

How to Cite

Díaz Giraldo, R. A., Álvarez de León, M., Rincón Castillo, Álvaro, Pérez López, O., Cárdenas Rocha, E., & Posada Asprilla, W. (2023). Estimation of forage availability and parameters associated to the nutritional quality of Urochloa humidicola cv Llanero based on multispectral images. Tropical Grasslands-Forrajes Tropicales, 11(1), 61–74.


Download data is not yet available.





Research Papers