Application of two models based on remote sensing to estimate aerial net primary production in a pastoral system in the Colombian Altillanura
Estimación de productividad primaria de pasturas por teledetección
DOI:
https://doi.org/10.17138/tgft(12)24-35Abstract
The assessment of Net Above-ground Primary Production (NAPP), measured as accumulated dry matter (DM) by plants in above-ground biomass, is crucial for management decisions in cattle production systems based on pastures. This study aimed to compare two models for estimating NAPP using data collected via remote sensing: one empirical model using linear regression (ELR) between vegetation indices and plant biomass and another semi-empirical model based on plant radiation use efficiency (RUE). Fourteen pastures of Urochloa humidicola CIAT 6133 cultivar 'Llanero' (each 3.1 ha) managed under grazing with 30 days of resting period were monitored. Spectral information was obtained from a Sentinel 2 sensor to calculate the Normalized Difference Vegetation Index (NDVI), Enhanced Vegetation Index (EVI), and Land Surface Water Index (LSWI). Global radiation data were collected from a field meteorological station. The best-performing index was NDVI, with R2, root mean square error (RMSE), and relative prediction error (RE, %) of 0.68, 99.5, and 16.42 for ELR, and 0.79, 103.62, and 17.16 for RUE, respectively. Both ELR and RUE models demonstrated their potential for use as tools for NAPP estimation from Sentinel 2A images in tropical forage pastures.
References
Alves Veloso, G. 2018. Produtividade primária bruta e biomassa em pastagem no bioma cerrado: uma análise a partir dos modelos SEBAL/CASA e MOD17 no estado de Goiás. Tesis de doctorado. Universidad Federal de Goiás, Goiânia Brasil. repositorio.bc.ufg.br/tede/handle/tede/8625
Anaya J; Chuvieco E; Palacios-Orueta A. 2009. Above-ground biomass assessment in Colombia: A remote sensing approach. Forest Ecology and Management 257(4):1237-1246. doi: 10.1016/j.foreco.2008.11.016
Awaya Y; Kodani E; Tanaka K; Liu I; Zhuang D; Meng Y. 2004. Estimation of the global net primary productivity using NOAA images and meteorological data: changes between 1988 and 1993. International Journal of Remote Sensing 25(9):1597-1613. doi: 10.1080/0143116031000139782
Bastidas A; Barahona R; Cerón-Muñoz M. 2016. Variation in the Normalized Difference Vegetation Index (NDVI) in dairy farms in northern Antioquia. Livestock Research for Rural Development 28(3):Article #43. bit.ly/47HuJba
Carlson TN; Ripley DA. 1997. On the relation between NDVI, fractional vegetation cover, and leaf area index. Remote Sensing of Environment 62(3):241–52. doi: 10.1016/S0034-4257(97)00104-1
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. bit.ly/3vCgvLd
Chen PY; Fedosejevs G; Tiscareño-López M; Arnold JG. 2005. Assessment of MODIS-EVI, MODIS-NDVI and VEGETATION-NDVI composite data using agricultural measurements: An example at corn fields in Western Mexico. Environmental Monitoring and Assessment 119:69–82. doi: 10.1007/s10661-005-9006-7
Chuvieco E. 2002. Teledetección ambiental. 1a. ed. Editorial Ariel, Barcelona, España. ISBN: 84-344-8047-6
Cook BG; Schultze-Kraft R. 2015. Botanical name changes – nuisance or a quest for precision? Tropical Grasslands-Forrajes Tropicales 3:34-40. doi: 10.17138/TGFT(3)34-40
Cristiano PM; Posse G; Di Bella CM; Boca T. 2012. Influence of contrasting availabilities of water and nutrients on the radiation use efficiency in C3 and C4 grasses. Austral Ecology 37(3):323–329. doi: 10.1111/j.1442-9993.2011.02296.x
Díaz RA; Alvarez M; Pérez O; Gutiérrez B; Villalobos M. 2019. Uso de sensores remotos en la determinación de la oferta de forraje del pasto Brachiaria humidicola subsp. dictyoneura bajo pastoreo en la Altillanura colombiana. Actas del 42º Congreso Argentino de Producción Animal. Revista Argentina de Producción Animal 39(1):99–167.
Díaz RA; Alvarez M; Pérez O. 2021. Uso de sensores remotos en la determinación del forraje disponible de Urochloa humidicola cv. Llanero bajo pastoreo en la Altillanura colombiana. Tropical Grasslands-Forrajes Tropicales. 9(3):376-382. doi: 10.17138/TGFT(9)376-382
Díaz RA; Álvarez M; Rincón A; Pérez O; Cárdenas E; Posada W. 2023. Estimación de la disponibilidad de forraje y de parámetros asociados a la calidad nutricional del pasto Urochloa humidicola cv Llanero a partir de imágenes multiespectrales. Tropical Grasslands-Forrajes Tropicales 11(1):61–74. doi: 10.17138/TGFT(11)61-74
Di Leo N; Montico S; Bonel B; Denoia JA. 2007. Estimación de la APAR y la NPP mediante sensoramiento remoto en tres sectores de la Pampa Húmeda, Argentina. Ciencia, Docencia y Tecnología 18(35):221-242. bit.ly/47HuM6Q
Dungan J. 1998. Spatial prediction of vegetation quantities using ground and image data. International Journal of Remote Sensing 19(2):267–285. doi: 10.1080/014311698216242
Fernández B. 2019. Producción de cartografía agrícola mediante análisis multitemporal de imágenes satélite (Sentinel-2) y cartografía catastral. Tesis de grado. Universidad Politécnica de Valencia, Valencia, España. hdl.handle.net/10251/114801
Gallego F; Lezama F; Pezzani F; López-Mársico L; Leoni E; Mello A; Costa B. 2017. Estimación de la productividad primaria neta aérea y capacidad de carga ganadera: un estudio de caso en Sierras del Este, Uruguay. Agrociencia 21(1):120-130. bit.ly/3ShTm9R
Garroutte E; Hansen A; Lawrence R. 2016. Using NDVI and EVI to map spatiotemporal variation in the biomass and quality of forage for migratory elk in the Greater Yellowstone Ecosystem. Remote Sensing 8(5):404. doi: 10.3390/rs8050404
Grigera G. 2011. Seguimiento de la productividad forrajera mediante teledetección: desarrollo de una herramienta de manejo para sistemas de producción ganaderos. Tesis de doctorado. Universidad de Buenos Aires, Buenos Aires, Argentina. bit.ly/4aSuNYe
Hamner B; Frasco M; LeDell E. 2022. Evaluation metrics for machine learning - R Package ‘Metrics’. github.com/mfrasco/Metrics
Huete AR; Liu HQ; Batchily K; Van Leeuwen WJD. 1997. A comparison of vegetation indices over a global set of TM images for EOS-MODIS. Remote Sensing of Environment 59(3):440–451. doi: 10.1016/S0034-4257(96)00112-5
Huete A; Didan K; Miura T; Rodriguez EP; Gao X; Ferreira LG. 2002. Overview of the radiometric and biophysical performance of the MODIS vegetation indices. Remote Sensing of Environment 83(1-2):195–213. doi: 10.1016/S0034-4257(02)00096-2
Kawamura K; Akiyama T; Yokota H; Tsutsumi M; Yasuda T; Watanabe O; Wang S. 2005. Quantifying grazing intensities using geographic information systems and satellite remote sensing in the Xilingol steppe region, Inner Mongolia, China. Agriculture, Ecosystems & Environment 107(1):83-93. doi: 10.1016/j.agee.2004.09.008
Liang Shunlin; Xiaowen Li; Wang Jindi. 2012. Chapter 16 - Vegetation Production in Terrestrial Ecosystems. En Liang Shunlin; Xiaowen Li; Wang Jindi, eds. Advanced Remote Sensing. Academic Press, Oxford, UK, pp. 501-531. doi: 10.1016/B978-0-12-385954-9.00016-2
Li Hongjun; Zheng Li; Lei Yuping; Li Chunqiang; Zhou Kan. 2007. Comparison of NDVI and EVI based on EOS/MODIS data (en japonés). Progress in Geography 26(1): 26-32. doi: 10.11820/dlkxjz.2007.01.003
Madugundu R; Al-Gaadi K; Tola E; Kayad A; Sekhar Jha C. 2017. Estimation of gross primary production of irrigated maize using Landsat-8 imagery and Eddy Covariance data. Saudi Journal of Biological Sciences 24(2):410-420. doi: 10.1016/j.sjbs.2016.10.003
Marshall M; Tu K; Brown, J. 2018. Optimizing a remote sensing production efficiency model for macro-scale GPP and yield estimation in agroecosystems. Remote Sensing of Environment, 217:258–271. doi: 10.1016/j.rse.2018.08.001
Maselli F; Argenti G; Chiesi M; Angeli L; Papale D. 2013. Simulation of grassland productivity by the combination of ground and satellite data. Agriculture, Ecosystems & Environment. 165:163-172. doi: 10.1016/j.agee.2012.11.006
Monteith J. 1972. Solar radiation and productivity in tropical ecosystems. Journal of Applied Ecology 9(3):747-766. doi: 10.2307/2401901
Norman JM; Campbell GS. 1989. Canopy structure. In: Pearcy RW, Ehleringer JR, Mooney HA, Rundel PW, eds. Plant Physiological Ecology. Springer, Dordrecht, Netherlands. pp. 301–325 doi: 10.1007/978-94-009-2221-1_14
Ollinger SV. 2011. Sources of variability in canopy reflectance and the convergent properties of plants. New Phytologist 189(2):375–394. doi: 10.1111/j.1469-8137.2010.03536.x
Pardo O; Pérez O. 2010. Alternativas forrajeras para los llanos orientales de Colombia. En: Rincón A; Jaramillo CA, eds. Establecimiento, manejo y utilización de recursos forrajeros en sistemas ganaderos de suelos ácidos. Corporación Colombiana de Investigación Agropecuaria – Corpoica. Villavicencio, Colombia, pp. 27-70. hdl.handle.net/20.500.12324/12703
Pérez O; Bueno G; Euripides J; Onofre G; Cassalet E; Molina A; Arango M; Velásquez J; Rodríguez N; Moreno L; Amaya C; Bernal J; Correal W; Pabón D; Villalobos M; Velásquez H; Fuentes J. 2019. Modelo productivo tecnologías integrales para sistemas de producción de bovinos de cría en la altillanura colombiana. Agrosavia, Mosquera, Colombia. doi: 10.21930/agrosavia.model.7402681
Paruelo JM; Oesterheld M; Di Bella C; Arzadum M; Lafountaine J; Cahuepé M; Rebella CM. 2000. Estimation of primary production of subhumid rangelands from remote sensing data. Applied Vegetation Science 3(2):189-195. doi: 10.2307/1478997
Paruelo JM; Oyarzabal M; Oesterheld M. 2011. El seguimiento de los recursos forrajeros mediante sensores remotos: bases y aplicaciones. En: Altesor A, Ayala W, Paruelo JM, eds. Bases Ecológicas y tecnológicas para el manejo de pastizales. Instituto Nacional de Investigación Agropecuaria, Montevideo, Uruguay. pp. 136-145. bit.ly/3SiumiO
Peters KC; Hughes MP; Daley O. 2022. Field-scale calibration of the PAR Ceptometer and FieldScout CM for real-time estimation of herbage mass and nutritive value of rotationally grazed tropical pasture. Smart Agricultural Technology. 2: 100037. doi: 10.1016/j.atech.2022.100037
Pezzani F; Lezama F; Gallego F; López-Márisco L; Leoni E; Costa B; Parodi G; Mello AL. 2017. El método de corte de biomasa genera mayores diferencias en la estimación de la productividad de pastizales que el tipo de pastizal. Revista Argentina de Producción Animal 37(1):21-32. hdl.handle.net/20.500.12008/24395
Piazza MV. 2012. Estimación satelital de la productividad primaria neta aérea de la vegetación herbácea del Caldenal. Tesis de grado. Universidad de Buenos Aires, Buenos Aires, Argentina. bit.ly/41YWn27
Posada AW; Medina M; Cerón 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 22(1):e1195. doi: 10.31910/rudca.v22.n1.2019.1195
QGIS - Un Sistema de Información Geográfica libre y de Código Abierto. 2023. qgis.org
R Core Team. 2016. R: A Language and Environment for Statistical Computing. Version 4.0.0 2020-04-24. R-project.org
Raich JW; Rastetter EB; Melillo JM; Kicklighter DW; Steudler PA; Peterson BJ; Grace AL; Moore B; Vorosmarty CJ. 1991. Potential net primary productivity in South America: application of a global model. Ecological Applications 1(4):399–429. doi: 10.2307/1941899
Ramírez A. 2013. Evaluación del crecimiento de pastos usando índices de vegetación calculados a partir de información satelital. Tesis de maestría. Universidad Nacional de Colombia, Medellín, Colombia. repositorio.unal.edu.co/handle/unal/75325
Rincón A; Caicedo S. 2010. Establecimiento de pastos en sistemas ganaderos de los llanos colombianos. 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. Villavicencio, Meta, Colombia, pp. 75-112. hdl.handle.net/20.500.12324/12703
Rincón A. 2011. Efecto de alturas de corte sobre la producción de forraje de Brachiaria sp. en el Piedemonte Llanero de Colombia. Ciencia y Tecnología Agropecuaria 12(2):107– 112. doi: 10.21930/rcta.vol12_num2_art:219
Rincón A; Flórez H; Ballesteros H; León M. 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; 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-Forrajes Tropicales 7(5):533-537. doi: 10.17138/TGFT(7)533-537
Ripley BD; Venables B; Bates D; Hornik K; Gebhardt A; Firth D. 2024. Package “MASS”. Version 7.3-57. bit.ly/3XLpN0h
Rivas L; Holmann F. 2004. Impacto de la adopción de híbridos de Brachiaria resistentes al salivazo, Colombia, México y Centroamérica. Documento de Trabajo No. 195. Centro Internacional de Agricultura Tropical, Cali, Colombia. hdl.handle.net/10568/54333
Rosa R; Sano E. 2013. Determinação da produtividade primária liquida (NPP) de pastagens na bacia do rio Paranaíba, usando imagens MODIS, GeoFocus 13(1):367-395. bit.ly/48Rb2yj
Rouse JW; Haas RH; Schell JA; Deering DW. 1973. Monitoring vegetation systems in the Great Plains with ERTS. Third ERTS Symposium. NASA Special Publication 351(1): 309-317. ntrs.nasa.gov/citations/19740022614
Son NT; Chen CF; Chen CR; Minh VQ; Trung NH. 2014. A comparative analysis of multitemporal MODIS EVI and NDVI data for large-scale rice yield estimation. Agricultural and Forest Meteorology 197:52–64. doi: 10.1016/j.agrformet.2014.06.007
Hao Shi; Longhui Li; Eamus D; Huete A; Cleverly J; Xin Tian; Qiang Yu; Shaoqiang Wang; Montagnani L; Magliulo V; Rotenberg E; Pavelka M; Carrara A. 2017. Assessing the ability of MODIS EVI to estimate terrestrial ecosystem gross primary production of multiple land cover types. Ecological Indicators 72:153-164. doi: 10.1016/j.ecolind.2016.08.022
Subhashree SN; Igathinathane C; Akyuz A; Borhan MD; Hendrickson J; Archer D; Liebig M; Toledo D; Sedivec K; Kronberg S; Halvorson J. 2023. Tools for predicting forage growth in rangelands and economic analyses—A systematic review. Agriculture 13(2):455. doi: 10.3390/agriculture13020455
Trinchet C; Selva AL; Trinchet R; Silva M; Píris A. 2014. La modelación de los objetos y procesos como método para validar los resultados de la investigación científica. Panorama Cuba y Salud 9(1):29-34. bit.ly/4b6ixnc
Tucker CJ. 1979. Red and photographic infrared linear combinations for monitoring vegetation. Remote Sensing of Environment 8(2):127–150. doi: 10.1016/0034-4257(79)90013-0
Tucker CJ; Vanpraet C; Boerwinkel E; Gaston A. 1983. Satellite remote-sensing of total dry-matter production in the Senegalese Sahel. Remote Sensing of Environment 13(6):461–474. doi: 10.1016/0034-4257(83)90053-6
Unigarro-Muñoz CA; Jaramillo-Robledo A; Ibarra-Ruales LN; Flórez-Ramos CP. 2016. Estructura del dosel y coeficientes de extinción teóricos en genotipos de café arábico en Colombia. Acta Agronómica 65(4):383–389. doi: 10.15446/acag.v65n4.51899
White MA; Thornton PE; Running SW; Nemani RR. 2000. Parameterization and sensitivity analysis of the BIOME–BGC Terrestrial Ecosystem Model: Net primary production controls. Earth Interactions 4(3):1-85. doi: 10.1175/1087-3562(2000)004<0003:PASAOT>2.0.CO;2
Wu WeiXing; Wang ShaoQiang; Xiao XiangMing; Yu GuiRui; Fu YuLing; Hao YanBin. 2008. Modeling gross primary production of a temperate grassland ecosystem in Inner Mongolia, China, using MODIS imagery and climate data. Science in China. Series D 51(10):1501–1512. doi: 10.1007/s11430-008-0113-5
Xianming Xiao; Qingyuan Zhang; Hollinger D; Aber J; Moore III B. 2004a. Modeling gross primary production of an evergreen needleleaf forest using Modis and climate data. Ecological Applications 15:954-969. jstor.org/stable/4543407
Xianming Xiao; Hollinger D; Aber J; Goltz M; Davidson EA; Qingyuan Zhang; Moore III B. 2004b. Satellite-based modeling of gross primary production in an evergreen needle leaf forest. Remote Sensing of Environment 89(4):519–534. doi: 10.1016/j.rse.2003.11.008
Yuchao Yan; Xiaoping Liu; Jinpei Ou; Xia Li; Youyue Wen. 2018. Assimilating multi-source remotely sensed data into a light use efficiency model for net primary productivity estimation. International Journal of Applied Earth Observation and Geoinformation 72:11-25. doi: 10.1016/j.jag.2018.05.013
Zheng Wang; Xiangming Xiao; Xiaodong Yan. 2010. Modeling gross primary production of maize cropland and degraded grassland in northeastern China. Agricultural and Forest Meteorology. 150(9):1160–1167. doi: 10.1016/j.agrformet.2010.04.015
How to Cite
Downloads
Downloads
Published
Issue
Section
License
Copyright (c) 2024 Tropical Grasslands-Forrajes Tropicales
This work is licensed under a Creative Commons Attribution 4.0 International License.