Ir al menú de navegación principal Ir al contenido principal Ir al pie de página del sitio

Vol. 16 Núm. 1 (2022)

Sección de otras especies

Estimación de los contenidos de clorofila y nitrógeno en hojas de maíz (Zea mays L.) mediante análisis espectroscópico

https://doi.org/10.17584/rcch.2022v16i1.13398

Publicado 2022-01-01

  • Carlos Arturo Ramos-García
    • ,
  • Luis Joel Martínez Martínez
    • ,
  • Jaime Humberto Bernal-Riobo

Carlos Arturo Ramos-García
Universidad Nacional de Colombia, Facultad de Ciencias Agrarias, Bogota

Luis Joel Martínez Martínez
Universidad Nacional de Colombia, Facultad de Ciencias Agrarias, Bogota

Jaime Humberto Bernal-Riobo
Corporación Colombiana de Investigación Agropecuaria (AGROSAVIA), Centro de Investigación La Libertad, Puerto Lopez

Maize with 0 and 200 kg ha-¹ of nitrogen. Photo: L.J. Martínez

Resumen

Se analizó la relación entre la reflectancia y el contenido de clorofila (Chl) y nitrógeno (N) en hojas de maíz con el fin de identificar índices espectrales útiles para diagnosticar el estado nutricional del cultivo en términos de N. Se realizó un experimento en bloques al azar con cinco tratamientos de fertilizante nitrogenado (0, 50, 100, 150, 200 kg ha-1) y cuatro repeticiones y se midieron las respuestas espectrales foliares con un espectro-radiómetro FieldSpec 4 en tres etapas fenológicas, varios índices espectrales se calcularon al igual que los valores de posición del borde rojo (REP) mediante varios métodos. La posición del borde del rojo por el método de la Interpolación lineal (REP-L), por el método de la extrapolación lineal de (REP-LE), la técnica de ajuste de gaussiano invertido REP (REP-IG), la posición del borde del rojo mediante el ajuste de polinomio (REP-P) y el indicie normalizado de vegetación (NDVI) tuvieron la mejor relación con el contenido de clorofila y nitrógeno. La primera derivada de la reflectancia, entre 560 y 760 nm, transformada median la variable de estado normal (SNV) también tuvo coeficientes de correlación altamente significativos con N, Chl y rendimiento. Adicionalmente, el rendimiento de maíz mostró correlaciones altamente significativas con los contenidos de N y Chl. Desde el punto de vista del diagnóstico del estado nutricional del maíz, los índices espectrales y valores de REP fueron apropiados para establecer el estado nutricional del maíz con relación al N en los estados fenológicos V8 y R1.

Palabras clave

Reflectancia, Espectroradiometría, Cultivos, Colombia, Nutrición vegetal

PDF (English)

Citas

  1. Barker, A.V. and D.J. Pilbeam. (eds.). 2015. Handbook of plant nutrition. 2nd ed. CRC Press, Boca Raton, FL. Doi: 10.1201/b18458
  2. Barnes, R., M. Dhanoa, and S. Lister. 1993. Letter: Correction to the description of Standard Normal Variate (SNV) and De-Trend (DT) Transformations in practical spectroscopy with applications in food and beverage analysis. J. Near Infrar. Spectros. 1(1), 185. Doi: 10.1255/jnirs.21
  3. Campuzano Duque, L.F., S. Caicedo Guerrero, L. Narro, and A. Herbin. 2014. Corpoica H5: primer híbrido de maíz amarillo de alta calidad de proteína (QPM) para la altillanura plana colombiana. Corpoica Cienc. Tecnol. Agropecu. 15(2), 173-182. Doi: 10.21930/rcta.vol15_num2_art:357
  4. Chen, P., D. Haboudane, N. Tremblay, J. Wang, P. Vigneault, and B. Li. 2010. New spectral indicator assessing the efficiency of crop nitrogen treatment in corn and wheat. Remote Sens. Environ. 114(2), 1987-1997. Doi: 10.1016/j.rse.2010.04.006
  5. Cho, M.A. and A.K. Skidmore. 2006. A new technique for extracting the red edge position from hyperspectral data: The linear extrapolation method. Remote Sens. Environ. 101(2), 181-193. Doi: 10.1016/j.rse.2005.12.011
  6. Colombia IGAC, Instituto Geográfico Agustín Codazzi. 2004. Estudio general de suelos y zonificación de tierras, departamento de Meta. Bogota.
  7. Croft, H., J.M. Chen, and Y. Zhang. 2014. The applicability of empirical vegetation indices for determining leaf chlorophyll content over different leaf and canopy structures. Ecol. Complex. 17, 119-130. Doi: 10.1016/j.ecocom.2013.11.005
  8. Daughtry, C.S.T., C.L. Walthall, M.S. Kim, E. Brown de Colstoun, and J.E. McMurtrey III. 2000. Estimating corn leaf chlorophyll concentration from leaf and canopy reflectance. Remote Sens. Environ. 74(2), 229-239. Doi: 10.1016/S0034-4257(00)00113-9
  9. Del Corso, M., R.P. Lollato, N. Macnack, J. Mullock, and B.R. Raun. 2013. Evaluation of trimble hand held crop sensor and GreenseekerTM: sensors at different heights and for various crops. In: https://www.nue.okstate.edu/Pocket_Sensor/Pocket_Sensor.htm; consulted: May, 2021.
  10. Dwyer, L.M., D.W. Stewart, E. Gregorich, A.M. Anderson, B.L. Ma, and M. Tollenaar. 1995. Quantifying the nonlinearity in chlorophyll meter response to corn leaf nitrogen concentration. Can. J. Plant Sci. 75, 179-182. Doi: 10.4141/cjps95-030
  11. Elmetwalli, A.H. and A.N. Tyler. 2020. Estimation of maize properties and differentiating moisture and nitrogen deficiency stress via ground – Based remotely sensed data. Agric. Water Manage. 242, 106413. Doi: 10.1016/j.agwat.2020.106413
  12. Feng, W., X. Yao, Y. Zhu, Y.C. Tian, and W.X. Cao. 2008. Monitoring leaf nitrogen status with hyperspectral reflectance in wheat. Eur. J. Agron. 28(3), 394-404. Doi: 10.1016/j.eja.2007.11.005
  13. Gitelson, A.A., M.N. Merzlyak, and H.K. Lichtenthaler. 1996. Detection of red edge position and chlorophyll content by reflectance measurements near 700 nm. J. Plant Physiol. 148(3-4), 501-508. Doi: 10.1016/S0176-1617(96)80285-9
  14. Gitelson, A.A., A. Viña, V. Ciganda, D.C. Rundquist, and T.J. Arkebauer. 2005. Remote estimation of canopy chlorophyll content in crops. Geophys. Res. Lett. 32(8), L08403. Doi: 10.1029/2005GL022688
  15. Guyot, G. and F. Baret. 1988. Utilisation de la haute resolution spectrale pour suivre L’etat des couverts vegetaux. pp. 279-286. In: Guyenne, T.D. and J.J. Hunt (eds.). Proc. Conf. 4th Spectral Signatures of Objects in Remote Sensing. European Space Agency, Aussois, France.
  16. Inskeep, W.P. and P.R. Bloom. 1985. Extinction coefficients of chlorophyll a and b in N,N-dimethylformamide and 80% acetone. Plant Physiol. 77(2), 483-485. Doi: 10.1104/pp.77.2.483
  17. Kleinbaum, D.G., L.L. Kupper, and A. Nizam. 2014. Applied regression analysis and other multivariable methods. 5rd ed. Cengage Learning, Boston, MA.
  18. Lee, Y. J., C.M. Yang, K.W. Chang, and Y. Shen. 2011. Effects of nitrogen status on leaf anatomy, chlorophyll content and canopy reflectance of paddy rice. Bot. Stud. 52(3), 295-303.
  19. Li, F., Y. Miao, G. Feng, F. Yuan, S. Yue, X. Gao, Y. Liu, B. Liu, S.L. Ustin, and X. Chen. 2014. Improving estimation of summer maize nitrogen status with red edge-based spectral vegetation indices. Field Crop. Res. 157, 111-123. Doi: 10.1016/j.fcr.2013.12.018
  20. Martínez, L.J. 2017. Relationship between crop nutritional status, spectral measurements and Sentinel 2 images. Agron. Colomb. 35(2), 205-215. Doi: 10.15446/agron.colomb.v35n2.62875
  21. Martinez, L.J. and A. Ramos. 2015. Estimation of chlorophyll concentration in maize using spectral reflectance. Int. Arch. Photogramm. Remote Sens. Spatial Inf. Sci. 40-7/W3, 65-71. Doi: 10.5194/isprsarchives-XL-7-W3-65-2015
  22. Miller, J.R., E.W. Hare, and J. Wu. 1990. Quantitative characterization of the vegetation red edge reflectance 1. An inverted-Gaussian reflectance model. Int. J. Remote Sens. 11(10), 1755-1773. Doi: 10.1080/01431169008955128
  23. Myneni, R.B. and D.L. Williams. 1994. On the relationship between FAPAR and NDVI. Remote Sens. Environ. 49(3), 200-211. Doi: 10.1016/0034-4257(94)90016-7
  24. Palka, M., A.M. Manschadi, L. Koppensteiner, T. Neubauer, and G.F. Fitzgerald. 2021. Evaluating the performance of the CCCI-CNI index for estimating N status of winter wheat. Eur. J. Agron. 130, 126346. Doi: 10.1016/j.eja.2021.126346
  25. Peñuelas, J., I. Filella, and J.A. Gamon. 1995. Assessment of photosynthetic radiation-use efficiency with spectral reflectance. New Phytol. 131, 291-296. Doi: 10.1111/j.1469-8137.1995.tb03064.x
  26. Pu, R., P. Gong, G.S. Biging, and M.R. Larrieu. 2003. Extraction of red edge optical parameters from Hyperion data for estimation of forest leaf area index. IEEE Trans. Geosci. Remote Sens. 41(4), 916-921. Doi: 10.1109/TGRS.2003.813555
  27. Ranjan, A.K. and B.R. Parida. 2020. Estimating biochemical parameters of paddy using satellite and near-proximal sensor data in Sahibganj Province, Jharkhand (India). Remote Sens. Appl.: Soc. Environ. 18, 100293. Doi: 10.1016/j.rsase.2020.100293
  28. Schlemmer, M.R., D.D. Francis, J.F. Shanahan, and J.S. Schepers. 2005. Remotely measuring chlorophyll content in corn leaves with differing nitrogen levels and relative water content. Agron. J. 97(1), 106-112. Doi: 10.2134/agronj2005.0106
  29. Schlemmer, M., A. Gitelson, J. Schepers, R. Ferguson, Y. Peng, J. Shanahan, and D. Rundquist. 2013. Remote estimation of nitrogen and chlorophyll contents in maize at leaf and canopy levels. Int. J. Appl. Earth Obs. Geoinf. 25, 47-54. Doi: 10.1016/j.jag.2013.04.003
  30. Savitzky, A. and M.J. Golay. 1964. Smoothing and differentiation of data by simplified least squares procedures. Analyt. Chem. 36(8), 1627-1639. Doi: 10.1021/ac60214a047
  31. Serrano, L., J. Peñuelas, and S.L. Ustin. 2002. Remote sensing of nitrogen and lignin in Mediterranean vegetation from AVIRIS data: Decomposing biochemical from structural signals. Remote Sens. Environ. 81(2-3), 355-364. Doi: 10.1016/S0034-4257(02)00011-1
  32. Sims, D.A. and J.A. Gamon. 2002. Relationships between leaf pigment content and spectral reflectance across a wide range of species, leaf structures and developmental stages. Remote Sens. Environ. 81, 337-354. Doi: 10.1016/S0034-4257(02)00010-X
  33. Thompson, R.B., N. Tremblay, M. Fink, M. Gallardo, and F.M. Padilla. 2017. Tools and strategies for sustainable nitrogen fertilisation of vegetable crops. pp. 11-63. In: Tei, F., S. Nicola, and P. Benincasa (eds.), Advances in research on fertilization management of vegetable crops. Springer, Cham, Germany. Doi: 10.1007/978-3-319-53626-2_2
  34. Wan, L., Z. Tang, J. Zhang, S. Chen, W. Zhou, and H. Cen. 2021. Upscaling from leaf to canopy: Improved spectral indices for leaf biochemical traits estimation by minimizing the difference between leaf adaxial and abaxial surfaces. Field Crops Res. 274, 108330. Doi: 10.1016/j.fcr.2021.108330
  35. Wang, Z., J. Chen, J. Zhang, Y. Fan, Y. Cheng, B. Wang, X. Wu, X. Tan, T. Tan, S. Li, M.A. Raza, X. Wang, T. Yong, W. Liu, J. Liu, J. Du, Y. Wu, W. Yang, and F. Yang. 2021. Predicting grain yield and protein content using canopy reflectance in maize grown under different water and nitrogen levels. Field Crops Res. 260, 107988. Doi: 10.1016/j.fcr.2020.107988
  36. Wen, P.-F., J. He, F. Ning, R. Wang, Y.-H. Zhang, and J. Li. 2019. Estimating leaf nitrogen concentration considering unsynchronized maize growth stages with canopy hyperspectral technique. Ecol. Indic. 107, 105590. Doi: 10.1016/j.ecolind.2019.105590
  37. Wu, C., Z. Niu, Q. Tang, and W. Huang. 2008. Estimating chlorophyll content from hyperspectral vegetation indices: Modeling and validation. Agric. For. Meteorol. 148(8-9), 1230-1241. Doi: 10.1016/j.agrformet.2008.03.005
  38. Yu, K., V. Lenz-Wiedemann, X. Chen, and G. Bareth. 2014. Estimating leaf chlorophyll of barley at different growth stages using spectral indices to reduce soil background and canopy structure effects. ISPRS J. Photogramm. Remote Sens. 97, 58-77. Doi: 10.1016/j.isprsjprs.2014.08.005

Descargas

Los datos de descargas todavía no están disponibles.

Artículos similares

<< < 1 2 3 4 > >> 

También puede {advancedSearchLink} para este artículo.