NDVI_Mapa_de_Rendimiento - Josep Harold Gervacio Alvarado (1)

Vista previa del material en texto

Agricultura de Precisión 
Práctica: 
ANÁLISIS DE ENSAYO MEDIANTE NDVI Y MAPA DE RENDIMIENTO CON QGIS 
 
I.- Introducción - Generalidades 
 
A.- Índice de Vegetación (NDVI) 
 
 
 
Cualquier programa GIS (Geographical Information System) tiene dentro de sus herramientas 
programas de tratamiento de imágenes satelitales proveniente de satélites y de fotografías áreas 
ejecutadas por drones. 
 
Un índice de vegetación normalmente es el resultado de una fórmula que utiliza una o varias 
bandas del espectro electromagnético. La relación entre estas bandas tiene detrás un estudio 
empírico y demuestra la relación directa entre el valor numérico captado por el sensor y la variable 
de la planta a medir (normalmente biomasa o vigor vegetal). El NDVI es uno de estos índices y se 
calcula mediante la siguiente formula: 
 
 
 
Partimos de la base que el sol emite una radiación que llega a la tierra y parte es absorbida por los 
cuerpos de la superficie y la otra parte es reflejada. Pongamos un ejemplo sencillo para los 
conceptos que nos ocupan: 
 
 
 
 
Estamos a oscuras en una habitación, apenas hay luz y distinguimos los objetos con dificultad. 
Vemos un cubo que podemos intuir y palpar, pero no podemos ver el color porque estamos casi a 
oscuras. Viendo la imagen diremos que es negro. 
 
 Agricultura de Precisión 
 
 
Al instante se enciende una luz y entonces vemos que es de color verde. ¿Qué ha pasado en 
realidad? Al haber una fuente de radiación, esta se dirige en todas sus direcciones y choca contra 
los objetos, entre ellos, nuestro cubo. De toda esa radiación lumínica nuestro cubo absorbe algunos 
espectros y refleja otros. Refleja las longitudes de onda correspondientes a lo que nuestro cerebro 
interpreta como verde, por eso lo vemos así. 
 
En realidad, el color no es algo absoluto. Físicamente son rangos del espectro con una determinada 
longitud de onda. Son algunas de las células fotorreceptoras de nuestro ojo (conos) y la 
interpretación de nuestro cerebro lo que hacen que sea de ese color que llamamos verde. Si 
nuestras células pudieran captar el infrarrojo térmico (como las serpientes), podríamos ver el calor 
que emiten los cuerpos. No podemos saber cómo veríamos esas longitudes de onda, pero nos 
valdrá como ejemplo una imagen de una cámara térmica. 
 
 
 
Y diríamos: ¡pero si la imagen térmica tiene colores! Sí, es cierto, pero no deja de ser una 
interpretación colorimétrica de las diferentes longitudes de onda del infrarrojo térmico para 
que nuestro ojo pueda ver esas diferencias entre objetos y crear la imagen que tienes 
delante. Esto es extrapolable a cualquier onda del espectro. Imagina si fuéramos capaces de ver 
¡todas las longitudes de onda! ¡Sería un desastre! El 4G, las de radio, las de TV, el WIFI, las de 
nuestro microondas, infrarrojos, los rayos X de una radiografía. Nuestro cerebro explotaría con tanta 
información que procesar. No merece la pena. 
 
La clorofila de las plantas es un pigmento natural que refleja el verde y de ahí que veamos las 
plantas como las vemos. Otros pigmentos vegetales como los carotenoides o antocianinas dan 
coloraciones rojas y anaranjadas (zanahoria). De este ejemplo se infieren un par de conceptos 
necesarios para entender el NDVI: 
 
Absorbancia: De la radiación que llega a nuestro cubo, una parte será absorbida. Es decir, dentro 
del espectro visible absorbe todos los colores (bandas) menos el verde. 
 
 Agricultura de Precisión 
Reflectancia: De la radiación que llega a nuestro cubo, una parte será reflejada. Es decir, dentro 
del espectro visible refleja el color (banda) verde. 
 
En física, estas dos magnitudes tienen otra definición algo más técnica, pero desde un punto de 
vista didáctico y de compresión conceptual, nos vale con esto para el NDVI. Volvamos a la fórmula: 
 
 
 
 
Tenemos una resta de las reflectancias de dos bandas dividida por la suma de las reflectancias de 
las mismas bandas (el rojo y el infrarrojo cercano). 
 
Está claro, que la banda del rojo la podemos captar sin problema mediante un sensor sensible a 
esta banda del espectro. Nuestro ojo es capaz de verlo (pero no medirlo). ¿Y el NIR (infrarrojo 
cercano)? También existen sensores que lo pueden captar. Y aquí empieza nuestra aventura del 
NDVI y la relación con la vegetación. 
 
¿Qué capta un sensor multiespectral? 
 
Multiespectral: varios espectros. En nuestro caso nos vale con que capte dos, aunque por lo general 
los sensores comerciales para vegetación capturan más: RGB (red, green, blue) NIR (Near 
infrarred) y Red edge (rojo medio). 
 
Te podrás preguntar, si las plantas son verdes porque la clorofila refleja el verde… ¿por qué no 
usamos el color verde en el índice NDVI? 
 
A continuación, veremos una gráfica de la reflectancia de una estructura vegetal estándar en 
diferentes longitudes de onda. Fíjate en los valores de reflectancia del espectro visible y en las 
bandas que implican al infrarrojo cercano o NIR (lo que no vemos). Intenta sacar tus conclusiones y 
ahora comentamos: 
 
 
 
 
 Agricultura de Precisión 
 
Interpretemos la gráfica de reflectancia 
 
¿Ves el salto tan enorme que hay justo en el cambio del visible al NIR? ¡¡La reflectancia de una 
planta sana en la banda del NIR (infrarrojo cercano) es brutal!! Si nuestros ojos fueran capaces de 
captar esta longitud de onda, las plantas en pleno vigor vegetativo, ¡¡nos estarían deslumbrando 
como espejos! La reflectancia al NIR no la genera la clorofila como en el verde. Esa reflectancia se 
debe a la estructura celular del parénquima. 
 
El sensor ha captado unos valores del RED y NIR de forma numérica (reflectancias medibles) y un 
programa informático calcula en cada punto de la imagen el NDVI operando con esas reflectancias. 
Después le asigna una gama de colores para que nosotros podamos interpretar esa imagen de 
alguna forma mediante el resultado colorimétrico. Si rojo es 0 y verde es 1 y entre esos valores 
asignamos una gama cromática, pues diremos que cerca del 1 (verde) el NDVI nos da alto y cerca 
del cero (rojo) será un valor bajo. 
 
 
Mapa de un cultivo con valores altos (verde) de NDVI y bajos (rojo) 
 
Pero podría hacerlo con cualquier color, por ejemplo, siendo el 1 azul y el 0 negro y buscar una 
gama cromática intermedia que vaya de un color a otro. 
 
 
¿Qué mide el NDVI? 
 
El NDVI no es más que un índice adimensional (un ratio) que nos muestra la diferencia entre el 
valor de reflectancia del NIR y el Rojo. Nos da un valor relativo de ese salto tan bestial que hemos 
visto en la gráfica. El quid de la cuestión es buscar cuál es el significado o interpretación de esto. 
 
Podemos llegar a la siguiente conclusión: Cuanto mayor sea esta diferencia (es decir, cuanto más 
se acerque al valor 1) el NDVI nos dice que la planta goza de buena salud y tiene un buen vigor 
vegetativo. 
 
¿Qué necesitamos para calcular el NDVI? 
 
Podemos calcularlo mediante una fotografía aérea de un UAV o dron profesional o semi profesional 
según características, que posea una cámara multiespectral que al menos recoja las bandas del 
rojo visible (RGB) y el infrarrojo cercano: Entre 2000 y 7000 según resolución, o más bandas 
espectrales. Asimismo, podemos calcularlo a través de imágenes satélites como Landsat, hay que 
tener en cuenta las correcciones geométricas, radiométricas a las imágenes entre otros factores.Agricultura de Precisión 
 
¿Es verdad que el NDVI predice cosas? 
 
Mucho se ve en la web de modelos predictivos de rendimientos de cultivo, plagas, riego, etc. Cómo 
podemos ahorrar costes con modelos que nos dicen qué cantidad de fertilizante hay que echar 
según en qué zonas del campo y muchas cosas más. ¿Todo esto hace el NDVI? Bueno, no es del 
todo cierto, pero ayuda. 
 
El NDVI es uno de tantos índices y es una herramienta más de apoyo al diagnóstico y la predicción. 
Muchas veces se da a entender o se malinterpreta que el NDVI es capaz de inferir todas esas 
variables de un cultivo simplemente capturando una imagen multiespectral, sacando el índice y ya. 
Pareciera que, con un satélite o dron, ya no tenemos que ir al campo a mirar cómo va el cultivo. 
 
Con el tan solo hecho de que nos mandan una imagen al móvil con un mapa de ‘colorines’ precioso 
y ya sé qué le pasa al cultivo y cómo debo solucionarlo. Hasta sé cuánto tengo que regar y cuánto 
plaguicida usar, hay que tener cuidado con esto. Nosotros como expertos debemos de observar, 
analizar, interpretar y decidir, La labor del técnico de campo, ingeniero agrónomo, agricultor es 
esencial en la interpretación de las imágenes. Quien cultiva sabe mejor que nadie qué variables 
maneja. La pendiente de la parcela, el tipo de suelo, la conductividad del agua con la que riega, el 
fertilizante que utiliza, la cantidad del mismo, el clima en esa zona, los rendimientos del cultivo en 
diferentes años, los vientos predominantes, etc. Una imagen NDVI no te lo dice y son variables 
esenciales. 
 
El NDVI nos da un valor que indica si la planta está bien, si está en su óptimo de crecimiento en ese 
momento o realmente está sufriendo, lo que se conoce como estrés. Este estrés puede ser debido 
a: 
o Estrés hídrico: Falta de agua (normalmente) aunque puede ser un exceso también. 
o Estrés nutricional: Falta o exceso de algún nutriente necesario. Pueden ser 
macronutrientes NPK (Nitrógeno, Fósforo, Potasio) o micronutrientes como (Calcio, hierro, 
boro, manganeso, zinc…) 
o Plagas: Daño físico a la hoja, debilitamiento de la planta. 
o Enfermedades: Víricas, criptogámicas (hongos), bacterias, nematodos. 
o pH: Si el suelo tiene un pH fuera del rango optimo para la planta, el sistema radicular sufre y 
la absorción de nutrientes se ve afectada seriamente. 
o Estrés lumínico: No es común en cultivos agrícolas, pero puede pasar. 
o Etc. 
 
 
¡El NDVI nos da el estado de la planta, pero no nos dice el por qué! 
 
Una vez tengamos claro qué tipo de estrés, debemos buscar la causa. Si fuera estrés hídrico podría 
ser por exceso porque hay una zona de encharcamiento por la pendiente de parcela y un suelo de 
textura arcillosa. Si tenemos riego por goteo puede ser una fuga en el sistema, un exceso de caudal 
en algunos goteros, etc. 
 
Digamos que el NDVI es como la temperatura corporal. Si la fiebre aumenta sabemos que estamos 
malos, pero luego hay que diagnosticar por qué. Necesitamos más variables que la fiebre para 
saber de qué se trata (dolor muscular, vómitos, qué hemos comido las últimas 24 horas, etc.). Pues 
de igual manera, con la planta necesitamos más información al respecto. 
 
Pueden ver interpretación errónea por falta de variables, por ejemplo, podemos ver plantas que por 
reposo invernal se hayan caído todas sus hojas y queramos analizar el NDVI. 
 
 
 
 Agricultura de Precisión 
 
el NDVI necesita información complementaria 
 
Las variables a controlar son varias y el mismo cultivo puede variar mucho en función de: estado 
fenológico, situación geográfica, clima, variedad, suelo (este influye mucho), laboreo, programa de 
fertilización, etc. 
 
Cuantas más tengamos controladas, más fácil es predecir qué variable está causando el NDVI 
anormalmente bajo. Debemos tener una visión de conjunto, muchas muestras tomadas, muchas 
imágenes de nuestro cultivo para contrastarlas. 
 
Cuando se anuncia que con un NDVI se pueden predecir dosis de fertilización nitrogenada por 
zonas para maíz, por ejemplo, es cierto, se puede. Siempre teniendo en cuenta que ha habido un 
estudio muy potente por detrás. Un estudio que ha encontrado una relación directa o patrón entre 
los valores de NDVI en un estado fenológico del maíz y su fertilización nitrogenada (seguramente 
con las demás variables casi constantes en la medida de lo posible). 
 
Lo que se quiere resaltar aquí es lo siguiente: 
 
Si en un mapa de valores NDVI captados por un sensor (ya sea satélite o UAV) hay zonas del 
cultivo con peor índice que el resto, no podemos saber SÓLO con la imagen qué puede estar 
pasando. Podemos plantear hipótesis y descartar aquellas afecciones que no correspondan con el 
momento en que se mide ese valor. 
 
Pero sigue siendo necesario ir al campo y ver qué puede estar pasando. Además, no vale con una 
sola adquisición de imágenes. Lo interesante es tener series temporales dentro de la campaña y 
entre campañas. Así tendremos valores con los que poder comparar, descartar variables y ajustar 
los modelos a lo que realmente queremos. 
 
Resumiendo 
 
El NDVI (Normalized difference vegetation index) es un índice muy aceptable que nos da 
información muy valiosa. Podemos generar mapas que nos dan diferencias de vigor vegetativo en 
grandes extensiones. Una vez visto esto, debemos ir a campo, observar las diferencias (tanto 
espaciales como temporales) de las zonas afectadas y empezar a descartar variables y buscar el 
diagnóstico concreto. Es una herramienta más, no una solución. 
 
Variaciones del NDVI 
 
No solo de NDVI vive la teledetección en agricultura, existen muchos más índices de vegetación y 
otras técnicas. Dentro del NDVI, existe un espectro de variaciones que utilizan otras bandas del 
espectro variando ligeramente los cálculos. En ocasiones puede venir bien y en otras no. No son 
tan conocidos porque realmente el que da unos valores estándar más ajustados, más generales 
para casi cualquier situación. Digamos que funciona bien de forma generalizada. 
 
Aun así, existen otros como el GNDVI. ¿Qué diferencia hay? Simplemente sustituye la banda del 
rojo por el verde (Green). ¿Es mejor? Pues ni mejor ni peor. De forma general digamos que en 
valores altos de densidad foliar este índice se satura menos y puede dar resultados algo más 
precisos. Por ejemplo, en cultivos de arroz inundado o maíz en fases vegetativas ya avanzadas, el 
índice GNDVI responde algo mejor. 
 
Existen estudios que demuestras la correlación entre uno y otro y son bastante parecidos. Ahí es 
donde vuelven a entrar otras variables que el encargado de analizar los datos debe controlar y 
decidir qué índice le conviene o en qué momentos del cultivo usa uno u otro. 
 
 Agricultura de Precisión 
 
Otros índices: 
 
o NGRDI: Parecido al NDVI solo que sustituye el infrarrojo cercano por el verde. La ecuación 
es exactamente la misma. 
o RVI: Ratio Vegetation Index. Fue uno de los primeros índices y simplemente era un cociente 
entre la banda del infrarrojo cercano y el rojo. 
o RG: Un simple cociente entre la banda del rojo entre el verde. 
o GVI: Green Vegetation Index. Calcula el cociente entre la banda del infrarrojo cercano y el 
verde. 
 
B.- MAPAS DE RENDIMIENTO 
 
 
 
La aparición de sistemas de posicionamiento global precisos y relativamente económicos, 
combinados con los monitores de rendimiento, proveen la oportunidad de grabar y mapear 
instantáneamente los rendimientos de los cultivos durante la cosecha. 
 
El rendimiento integra la variabilidad del campo y el clima, y puede proveer información útil para 
identificar zonas de manejo, las que se han definido como subregionesdentro de los lotes que 
expresan una combinación relativamente homogénea de factores determinantes del rendimiento 
para los que es apropiada una proporción única de insumos. Sin embargo, debido a la variación 
climática interanual, es difícil identificar zonas de manejo basándose en el mapa de rendimiento de 
un solo año. 
 
 
Aunque el mapa de rinde (rendimiento) de un año es útil para interpretaciones de posibles causas 
de la variación del rendimiento, resulta de valor limitado para la toma de decisiones de estrategias 
de manejo sitio-específico en períodos de mediano o largo plazo. Aumentar el número de años 
usados para definir zonas puede ser una solución para este problema. Con datos de rendimiento de 
varios años, pueden identificarse patrones de rendimientos y separar las causas naturales de la 
variación de aquellas debidas al manejo o errores de medición. 
 
La variación debida al manejo incluye eventos aleatorios que típicamente ocurren en parches 
pequeños, como fallas de siembra y en el establecimiento del cultivo, fertilización no uniforme, 
daños de herbicidas, daños de enfermedades, entre otros. Los errores de medición incluyen errores 
de sensores de flujo y humedad de granos, errores debidos a la georreferenciación y el movimiento 
de la cosechadora, errores de operario, y errores del procesamiento de los datos. 
 
 
 Agricultura de Precisión 
 
II.- Objetivo 
 
El objetivo de esta práctica es desarrollar un ensayo real de un proyecto de agricultura de precisión 
cuyos datos se han tomado del Instituto Nacional de Tecnología Agropecuaria de Argentina - INTA, 
haciendo una combinación de datos ráster (imágen Rapideye) y vectoriales (shp) en una sola capa 
(una banda) para analizar ensayos en base a la variabilidad del lote con dosis de abonamiento de 
urea, elaborando mapas de rendimiento y análisis estadísticos con curvas de respuestas, asignando 
literalmente a cada área de terreno “bajo potencial de rendimiento” y “alto potencial de rendimiento”. 
 
III.- Materiales y Métodos: 
 
Materiales 
 
A.- Software QGIS 
 
 
 
QGIS es un software libre de sistema de información geográfica, liberado bajo la licencia GPL, que 
destaca por ser uno de los primeros proyectos de la fundación OSGeo (Open source Geospatial 
Foundation). Fundación que se dedica a fomentar el desarrollo colaborativo y dirigido por la 
comunidad de tecnologías geoespaciales y datos abiertos. Al amparo de la OSGeo también están 
otros proyectos como gvSIG, PostGIS, GDAL, GeoNode, GeoServer, OpenLayer. 
 
QGIS es un proyecto creado por Gary Sherman con el nombre de Quantum GIS en 2002, entró en 
la incubadora de OSGeo en 2007 y en el año 2009 se lanzó la versión 1.0, desde aquella se fue 
haciendo popular tanto en usuarios como en contribuidores. 
 
QGIS es una solución multiplataforma, escrita fundamentalmente en C y usando el framework Qt. 
Está disponible para GNU/Linux, Windows, Mac OS X, BSD y Android. 
 
Para descarga de software ir al siguiente enlace: 
https://www.qgis.org/es/site/forusers/download.html 
 
Documentación de uso del software: 
https://docs.qgis.org/3.10/en/docs/training_manual/ 
 
B.- Imágen Satelital RapidEye 
 
 
https://www.qgis.org/es/site/forusers/download.html
 Agricultura de Precisión 
 
 
 
 
 
 
 
 
 
 
 
 
 Agricultura de Precisión 
 
 
 
 
Para el desarrollo de esta práctica usaremos una imagen RapidEye 3A de fecha 02 de febrero de 
2016 denominada: 
 
rcorte 20160202_150317_2024212_RapidEye-3_analytic 
 
 
 
 
 
 Agricultura de Precisión 
Métodos: 
 
o Cultivo de maíz. 
o Se realizaron los siguientes tratamientos de urea: 
 
ZONA 1: 70 Kg de urea 
 ZONA 2: 0 Kg de urea (testigo) 
 ZONA 3: 150 Kg de urea 
 ZONA 4: 300 Kg de urea 
 
III.- Desarrollo: 
 
Las actividades a desarrollar son: 
 
1. Abrir QGIS y guardar proyecto. 
 
 
 
 
 
 
 
 
 
 Agricultura de Precisión 
2. Configurar proyección de coordenadas del proyecto. 
 
o Debemos de configurar el Sistema de Referencia de Coordenadas o EPSG en QGIS 
en base a la información geoespacial. Para lo cual debemos de presionar el botón 
EPSG que se encuentra en la parte inferior derecha del programa. 
 
 
 
o Como los datos son de la ciudad de Córdova de Argentina el EPSG es 32720. 
 
 
 
 
o Si tenemos que desarrollar casos para el Perú, debemos de considerar los 
siguientes SRC: 
 
CODIGO 
EPSG 
SISTEMA DE REFERENCIA 
COORDENADAS - SRC 
UTM USO COORDENADAS 
32717 WGS 84 / UTM Zona 17S UTM 
32718 WGS 84 / UTM Zona 18S UTM 
32719 WGS 84 / UTM Zona 19S UTM 
24877 PSAD 56 / UTM Zona 17S UTM 
24878 PSAD 56 / UTM Zona 18S UTM 
24879 PSAD 56 / UTM Zona 19S UTM 
4326 WGS 84 / UTM GEOGRAFICAS 
3857 WGS 84 / UTM SEUDO GEOGRAFICAS 
 Agricultura de Precisión 
MERCATOR 
4248 PSAD 56 / UTM GEOGRAFICAS 
 
3. Importar imagen ráster. 
 
o Abrir la capa ráster (imagen) 
 
 
 
 
 
 
 
 Agricultura de Precisión 
 
 
 
 
En la imagen anterior se puede ver la variabilidad de los suelos como las zonas sódicas, asimismo, 
se puede ver una franja verde clara que es una dosis cero de nitrógeno. 
 
4. Generar límite de lote como matriz de corte de ráster. 
 
o Para generar el limite de lote tenemos que crear una capa shp de tipo polígono, con 
un nombre de “Recorte_RE” las siglas de RE significa que estamos trabajando con 
imágenes de RapidEye, el nombre de campo de la tabla ponemos “Limite”. 
 
o Nota: La capa poligonal de recorte a crear debe de tener el mismo SRC de la 
imagen: 32720. La capa creada para este caso lo estoy guardando en una carpeta 
que he creado en el escritorio, hay que tener bien ordenados todos los archivos que 
se van a ir generando. 
 
 Agricultura de Precisión 
 
 
 
 
 
 
 
o Ponemos editable la capa de Recorte_RE 
 
 
 Agricultura de Precisión 
 
o Luego añadimos polígono 
 
 
 
 
o Luego dibujamos los vértices del polígono a recortar. 
 
 
 
o Para culminar de dibujar hacemos anticlip y podríamos poner el nombre de la 
parcela. 
 
 
 
 Agricultura de Precisión 
 
 
o Nota: Aprovechando que la capa “Recorte_RE”, está en modo de edición podemos 
rehacer el polígono si es que existió algún error en su edición, para este caso 
usamos las herramientas de edición de vértices. 
 
 
 
 
o Una vez culminada la edición guardamos lo trabajado, haciendo anticlip en la capa 
“Recorte_RE” y seleccionamos “Conmutar Edición”, luego guardamos.Agricultura de Precisión 
 
 
5. Recortar lote de interés mediante limite generado. 
 
o Para recortar la imagen satelital en base a la capa shp creada nos dirigimos a la 
pestaña de ráster / Extracción / Cortar ráster por capa de máscara. 
 
 
 
 
 Agricultura de Precisión 
 
 
o Luego eliminamos la capa e recorte inicial. 
 
 
 
o Para volver al color natural de la imagen nos dirigimos a sus propiedades. 
 
 
 Agricultura de Precisión 
 
6. Visualizar histograma e identificar bandas. 
 
o Para ver las bandas presionamos el botón de Calcular Histograma. 
 
 
 
 
 
 Agricultura de Precisión 
 
 
✓ Banda 1 = Rojo 
✓ Banda 2 = Verde 
✓ Banda 3 = Azul 
✓ Banda 4 = Borde Rojo 
✓ Banda 5 = NIR (Infrarrojo cercano) 
 
o En simbología configuramos de acuerdo a la imagen siguiente. 
 
 
 Agricultura de Precisión 
 
7. Cálculo del NDVI en forma manual. 
 
 
 
o Nos dirigimos a calculadora de ráster. 
 
 
 
 
 
 Agricultura de Precisión 
 
 
8. Cambiar el estilo de visualización de la leyenda de ráster a un color “Plasma”. Ver 
parámetros e imagen siguiente: 
 
 
 
o Presionamos los botones de clasificar, aplicar y aceptar. 
 
 Agricultura de Precisión 
 
 
o Podemos verificar que los colores mas oscuros (morados) son los que tienen NDVI 
mas bajos y los colores más claros (anaranjado) son los que tienen los NDVI mas 
altos. Esto coincide con las zonas donde las dosis de nitrógeno es cero y en las 
zonas con problemas de sodio. 
 
9. Convertir el ráster de NDVI a vector de NDVI. 
 
o Para convertir los pixeles de la imagen de NDVI a vector utilizaremos el algoritmo de 
“Raster Values to Points” que se encuentra en la caja de herramientas de QGIS. 
 
 
 
 
 
 
 Agricultura de Precisión 
 
 
 
 
o Guardamos la capa como “Puntos NDVI.shp” 
 
 
o Convirtió un archivo ráster a un archivo puntos 
 
 Agricultura de Precisión 
 
 
 
10. Cambiar el estilo de visualización de la leyenda del vector. 
 
o Configuramos la simbología de la capa de “Puntos NDVI” según la imagen siguiente: 
 
 
 
 
 Agricultura de Precisión 
 
 
o Para tener una mejor visualización quitamos el borde del punto de la capa de 
“Puntos NDVI”. 
 
 
 Agricultura de Precisión 
 
 
11. Importar mapa de rendimiento. 
 
 
 
 
 Agricultura de Precisión 
 
 
 
 
 
 Agricultura de Precisión 
 
 
 
 
 
 
 
12. Reproyectar mapa de rendimiento a proyección del proyecto. 
 
 Agricultura de Precisión 
 
 
 
 
 
 
 Agricultura de Precisión 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 Agricultura de Precisión 
 
13. Cambiar el estilo de visualización del mapa. 
 
 
 
 
 
 
o Se puede observar que el mapa de rendimiento es casi similar al mapa de NDVI y 
sobre que existe bajo rendimiento en las zonas donde existe los problemas. 
 
 
 
 
 
 
 Agricultura de Precisión 
 
14. Generar polígonos delimitadores de tratamientos (dosis de urea). 
 
o Ahora vamos a generar información a cada punto de la capa de rendimiento, en 
cuanto a que dosis de urea tiene y a que zona pertenece, para este caso vamos a 
generar polígonos que delimiten las zonas de tratamiento. 
 
 
 
 
 
 
 Agricultura de Precisión 
 
 
 
 
 
 
 
 
 
 
 
 
 
 Agricultura de Precisión 
 
15. Editar capa vectorial, agregar atributo categórico Dosis. 
 
 
 
 
ZONA 1: 70 Kg de urea 
 ZONA 2: 0 Kg de urea (testigo) 
 ZONA 3: 150 Kg de urea 
 ZONA 4: 300 Kg de urea 
 
 
 
 
 Agricultura de Precisión 
 
 
 
 
 
 
 
 
 
 
 Agricultura de Precisión 
 
 
 
o A pesar de que las zonas 1 y 3 se aplicaron dosis de urea se tiene un bajo 
rendimiento de maíz, toda vez que tuvo como antecesor el cultivo de trigo. 
 
16. Generar polígonos delimitadores zonas de manejo. 
 
 
 
 
 Agricultura de Precisión 
 
 
 
 
 
o Delimitamos a mano alzada la zona con alto potencial de rinde y la que tiene 
problemas con sodio. 
 
 
 
 
 
 Agricultura de Precisión 
 
 
 
17. Editar capa vectorial, agregar atributo categórico Zonas. 
 
 
 
 
 
 
 
 
 Agricultura de Precisión 
 
 
 
 
o Ahora ya tenemos todos los archivos necesarios en formato vectorial para realizar el 
tratamiento. 
 
18. Generar cuadricula receptora de datos múltiples. 
 
o Generamos una grilla de capa receptora de toda la información generada, cada pixel 
del NDVI lo convertirá en una cuadricula de 5 m x 5 m de acuerdo a la resolución 
espacial de la imágen satelital. 
 
 
 
 
 Agricultura de PrecisiónAgricultura de Precisión 
 
 
 
19. Unificar datos se NDVI, rendimientos, tratamientos y zonas de manejo en cuadricula 
receptora. 
 
o Analizando las capas de NDVI vrs Puntos NDVI vrs Grilla. 
 
 
 
 
 
o Analizando las capas de Rendimiento vrs Grilla. Tener en cuenta que esto depende 
del GPS del tractor (dirección, exactitud), entonces va haber cuadriculas que van a 
tener mas puntos y otras cuadriculas sin puntos. 
 
 Agricultura de Precisión 
 
 
o Ahora vamos a generar el traspaso de la información a la cuadricula. Para eso 
primero generamos una cuadricula con los datos de NDVI. A partir de ahora 
trabajaremos con archivos vectoriales. 
 
 
 
 
 
 Agricultura de Precisión 
 
 
 
 
o Luego generamos otra cuadricula con los datos del rendimiento, luego una 
cuadricula de NDVI el rendimiento reproyectado. 
 
 
 
 Agricultura de Precisión 
 
 
 
 
o Posteriormente generamos una cuadricula de datos de la Grilla_NDVI_Rdto con el 
tratamiento, y asi hasta completar con todos los datos. 
 Agricultura de Precisión 
 
 
 
 
 
 Agricultura de Precisión 
 
 
o Luego generamos una cuadricula de datos de la Grilla_NDVI_Rdto_Trat con el 
tratamiento con las zonas. 
 
 
 
 
 
 Agricultura de Precisión 
 
 
20. Modificar tabla de atributos de la cuadricula de datos múltiples. 
 
o Luego eliminamos algunos campos de la tabla resultante. 
 
 
 
 
 Agricultura de Precisión 
 
 
21. Visualizar NDVI, rendimiento, tratamiento y zonas de manejo de cuadricula. 
 
o Visualización del NDVI. 
 
 
 
 Agricultura de Precisión 
 
 
 
o Visualización del Rendimiento. 
 
 
 
 
 
 
 Agricultura de Precisión 
 
 
Podemos visualizar que hay zonas que no tienen un ninguna cuadricula, esto se 
debe a que al generar la integración de los datos las grillas no encontraron ningún 
punto de rendimiento. 
 
o Visualización de dosis de urea. 
 
 
 
 
 
 
o Visualización de zonas. 
 
 
 Agricultura de Precisión 
 
 
 
22. Extrayendo centroides a las cuadriculas. 
 
 
 
 
 
 Agricultura de Precisión 
 
 
 
 
 Agricultura de Precisión 
 
 
 
 
23. Exportar cuadricula receptora de datos múltiples a formato compatible con excel. 
 
 
 
 Agricultura de Precisión 
 
 
 
 
 
 
 
24. Análisis simple con tabla y grafico dinámico para ver curva de respuesta del NDVI y del 
rendimiento a la fertilización nitrogenada.