Estimación de nitrógeno foliar en Zea mays L. mediante índices de vegetación y sensores multiespectrales
DOI:
https://doi.org/10.19136/era.a13n2.4580Palabras clave:
Agricultura de precisión, Modelos de predicción, Parrot Sequoia, Sentinel-2, TeledetecciónResumen
El maíz (Zea mays L.) es un cultivo esencial a nivel mundial por su importancia en la seguridad alimentaria y la producción ganadera, cuyo rendimiento depende en gran medida del contenido de nitrógeno (N), nutriente clave en el proceso de la fotosíntesis y el desarrollo del grano. El objetivo del presente estudio fue evaluar la correlación entre diferentes índices de vegetación (IV) y el contenido de N en maíz forrajero híbrido (variedad N83N5), con el fin de optimizar su monitoreo mediante sensores remotos. La investigación se realizó en la Granja Palestina, Francisco I. Madero, Coahuila, México, utilizando imágenes de los sensores Sentinel-2A y 2B, así como del sensor Parrot Sequoia montado en un dron (VANT). Se obtuvieron veintiún índices de vegetación a partir de ambos sensores y se analizaron mediante modelos de regresión y análisis multivariado. Los resultados mostraron que la resolución espacial de las imágenes y la selección de índices de vegetación son determinantes para mejorar la precisión de los modelos de estimación del contenido de N. Para Sentinel-2, el mejor modelo (R2 = 0.908) incluyó cinco índices (CCCI, TCARI/OSAVI RE, TCARI, MSAVI y MTCI), mientras que el sensor Sequoia mostró buen rendimiento con un modelo simple, usando GNDVI (R2 = 0.814), SAVI (R2 = 0.829), MSAVI (R2 = 0.826) y NDVI (R2 = 0.834). Se concluye que la selección del sensor y de los índices espectrales permite desarrollar metodologías precisas para el monitoreo del contenido de N en maíz, contribuyendo al avance de la agricultura de precisión.
Descargas
Referencias
Aasen H, Burkart A, Bolten A, Bareth G (2018) Generating 3D hyperspectral information with lightweight UAV snapshot cameras for vegetation monitoring: From camera calibration to quality assurance. ISPRS Journal of Photogrammetry and Remote Sensing 145: 245-259. http://doi.org/10.1016/J.ISPRSJPRS.2015.08.002
AgEagle Aerial Systems Inc. (2021) eMotion 3 [Software]. SenseFly. Consultado el 10 de abril de 2026. https://www.senseflv.com/drone-software/emotion/
Cano-Mejía B, Valdez-Cepeda RD, López-Santos A (2023) Estimación de cosecha de maíz forrajero (Zea mays L.) mediante índices espectrales derivados de LANDSAT-8 y SENTINEL-2. Terra Latinoamericana 41:e1696. https://doi.org/10.28940/terra.v41i0.1696
Castellanos RJZ, Etchevers BJD, Peña DM, García HS, Ortiz MI, Arango GA, Venegas VC (2019) ¿Cómo crece y se nutre una planta de maíz? Fertilab. Querétaro, México. 136p
Cassim BMAR, Besen MR, Kachinski WD, Macon CR, Almeida Junior JHV, Sakurada R, Batista MA (2022) Nitrogen fertilizer technologies for corn in two yield environments in South Brazil. Plants 11:1890. https://doi.org/10.3390/plants11141890
Cassman KG, Dobermann A, Walters DT (2002) Agroecosystems, nitrogen-use efficiency, and nitrogen management. Ambio 31(2): 132-140. https://doi.org/10.1579/0044-7447-31.2.132
Chen P, Haboudane D, Tremblay N, Wang J, Vigneault P, Li B (2010) New spectral indicator assessing the efficiency of crop nitrogen treatment in corn and wheat. Remote Sensing of Environment 114: 1987-1997. https://doi.org/10.1016/j.rse.2010.04.006
Copernicus Data Space Ecosystem (2023) Sentinel-2 data collection [Data set]. Consultado el 10 de abril de 2026. https://dataspace.copernicus.eu/explore-data/data-collections/sentinel-data/sentinel-2
Daughtry CST, Walthall CL, Kim MS, Brown de Colstoun E, McMurtrey JE (2000) Estimating corn leaf chlorophyll concentration from leaf and canopy reflectance. Remote Sensing of Environment 74: 229-239. https://doi.org/10.1016/s0034-4257(00)00113-9
Dash J, Curran PJ (2004) The MERIS terrestrial chlorophyll index. International Journal of Remote Sensing 25: 5403-5413. https://doi.org/10.1080/0143116042000274015
Daza-Torres MC, Ladino-Tabarquino GS, Urrutia-Cobo N (2018) Beneficios agronómicos y ambientales de fertilizantes nitrogenados en Ocimum basilicum L. DYNA 85(206): 294-303. https://doi.org/10.15446/dyna.v85n206.69103
Díaz J, Quiñonez Y, De-la-Hoz-Franco E, Butt-Aziz S, Mercado T, Salcedo D (2025) Information and communication technologies used in precision agriculture: A systematic review. AgriEngineering 7(6): 167. https://doi.org/10.3390/agriengineering7060167
Dobermann A (2007) Nutrient use efficiency: Measurement and management (28 pp.). International Fertilizer Industry Association, París, France.
European Space Agency (2015) Sentinel-2 user handbook. Issue 1, Revisión 2. Copernicus Programme. Consultado el 10 de abril de 2026. https://sentinels.copernicus.eu/documents/247904/685211/Sentinel-2_User_Handbook
Fageria NK, Baligar VC (2005) Enhancing nitrogen use efficiency in crop plants. Advances in Agronomy 88: 97-185. https://doi.org/10.1016/S0065-2113(05)88004-6
Farzadfar S, Knight JD, Congreves KA (2021) Soil organic nitrogen: An overlooked contribution to crop nutrition. Plant and Soil 462: 7-23. https://doi.org/10.1007/s11104-021-04860-w
Fitzgerald G, Rodríguez D, O’Leary G (2010) Measuring canopy nitrogen using the canopy chlorophyll content index (CCCI). Field Crops Research 116: 318-324. https://doi.org/10.1016/j.fcr.2010.01.010
Fixen PE, Brentrup F, Bruulsema TW, Garcia F, Norton R, Zingore S (2015) Nutrient use efficiency: Measurement and trends. International Fertilizer Industry Association (IFA). París, France. 30p.
Franzini M, Ronchetti G, Sona G, Casella V (2019) Geometric and radiometric consistency of Parrot Sequoia multispectral imagery for precisión agriculture applications. Applied Sciences 9(24): 5314. https://doi.org/10.3390/app9245314
Gaitán J, Ciano N, Oliva G, Bran D, Butti L, Cariac G, Caruso C, Opazo W, Ferrante D, Echevarria D, Buono G, Fantozzi A, Guirado E, Maestre F (2021) Variación temporal del NDVI en tierras secas. Ecosistemas 30: 2229. https://doi.org/10.7818/ECOS.2229
Gitelson AA, Merzlyak MN (1996) Reflectance spectra for chlorophyll estimation. Journal of Plant Physiology 148: 494-500. https://doi.org/10.1016/s0176-1617(96)80284-7
Gitelson AA, Viña A, Ciganda V, Rundquist DC, Arkebauer TJ (2005) Remote estimation of canopy chlorophyll. Geophysical Research Letters 32. https://doi.org/10.1029/2005GL022688
Goodkind AL, Thakrar SK, Polasky S, Hill JD, Tilman D (2023) Managing nitrogen in maize production. PNAS Nexus 2. https://doi.org/10.1093/pnasnexus/pgad319
Govindasamy P, Muthusamy SK, Bagavathiannan M, Mowrer J, Jagannadham PTK, Maity A, Tiwari G (2023) Nitrogen use efficiency under climate change. Frontiers in Plant Science 14: 1121073. https://doi.org/10.3389/fpls.2023.1121073
Haboudane D (2004) Hyperspectral vegetation indices for precision agriculture. Remote Sensing of Environment 90: 337-352.
Haboudane D, Miller JR, Tremblay N, Zarco-Tejada PJ, Dextraze L (2002) Narrow-band vegetation indices. Remote Sensing of Environment 81: 416-426.
Huete A (1988) Soil-adjusted vegetation index (SAVI). Remote Sensing of Environment 25: 295-309.
Hunt ER Jr, Daughtry CST, Eitel JUH, Long DS (2011) Leaf chlorophyll estimation using visible bands. Agronomy Journal 103: 1090-1099.
Inoue Y, Sakaiya E, Zhu Y, Takahashi W (2012) Mapping canopy nitrogen content. Remote Sensing of Environment 126: 210-221.
Jiang Z (2007) Interpretation of MSAVI. Journal of Applied Remote Sensing 1: 013503. https://doi.org/10.1117/1.2709705
Jin X, Li Y, Wang Z (2015) Monitoring nitrogen deficiency using NDVI and GNDVI. Precision Agriculture 16: 842-853.
Kopittke PM, Menzies NW, Wang P, McKenna BA, Lombi E (2019) Soil and agricultural intensification. Environment International 132: 105078. https://doi.org/https://doi.org/10.1016/j.envint.2019.105078
Ladha JK, Pathak H, Krupnik TJ, Six J, van Kessel C (2005) Fertilizer nitrogen efficiency. Advances in Agronomy 87: 85-156.
Lu C, Zhang J, Cao P, Hatfield JL (2019) Nitrogen use efficiency trends. Earth’s Future 7: 939-952.
Main-Knorn M, Pflug B, Louis J, Debaecker V, Müller-Wilm U, Gascon F (2017) Sen2Cor atmospheric correction. SPIE Proceedings. https://doi.org/10.1117/12.2278218
Melillos G, Diofantos G, Hadjimitsis DG (2018) Using simple ratio (SR) vegetation index to detect deep man-made infrastructures in Cyprus. Proceedings of SPIE 11418: 114180E. https://doi.org/10.1117/12.2557893
Montero Granados R (2016) Modelos de regresión lineal múltiple (Documento de Trabajo de Economía Aplicada). Departamento de Economía Aplicada, Universidad de Granada. Granada, España. 61 pp.
Morris TF, Murrell TS, Beegle DB, Camberato JJ, Ferguson RB, Grove J, Yang H (2018) Nitrogen recommendations for corn. Agronomy Journal 110: 1-37.
Myneni RB, Hoffman S, Knyazikhin Y, Privette JL, Glassy J, Tian Y et al. (2002) Global products of vegetation leaf area and fraction absorbed PAR from MODIS data. Remote Sensing of Environment 83(1-2): 214-231.
Núñez HG, González CF, Faz CR, Figueroa VU, Nava CU, Peña RA, Reta SD (2006). Tecnología de producción de maíz forrajero de alto rendimiento (Folleto Técnico Núm. 13). Instituto Nacional de Investigaciones Forestales, Agrícolas y Pecuarias.
Parrot (2015) Sequoia multispectral sensor user guide (User Guide, Version 1.0 76 pp.). Parrot SA. https://www.parrot.com/us/enterprise/sequoia
Pix4D (2020) Pix4Dmapper user manual. Pix4D SA. Lausanne, Switzerland. Consultado el 10 de abril de 2026. https://data.pix4d.com/misc/manual_pdf/manual_4_1.pdf
Qi J, Chehbouni A, Huete A, Kerr Y, Sorooshian S (1994) Modified soil-adjusted vegetation index (MSAVI). Remote Sensing of Environment 48: 119-126.
Raun WR, Johnson GV (1999) Improving nitrogen use efficiency. Agronomy Journal 91: 357-363.
Reyniers M, Walvoort DJJ, De Baardemaaker J (2006) A linear model to predict nitrogen content in winter wheat using a multispectral radiometer. International Journal of Remote Sensing 27: 4159-4179.
Robertson GP, Vitousek PM (2009) Nitrogen in agriculture. Annual Review of Environment and Resources 34: 97-125.
Rouse JW, Haas RH, Schell JA, Deering DW (1974) Monitoring vegetation systems with ERTS. Proceedings of the Third Earth Resources Technology Satellite-1 Symposium Vol. 1, NASA. Texas A&M University. pp. 309-317
Salvador-Castillo JM, Bolaños-González MA, Palacios-Vélez E, Palacios-Sánchez LA, López-Pérez A, Muñoz-Pérez JM (2021) Estimación de nitrógeno en maíz mediante sensores remotos. Terra Latinoamericana 39: e841. https://doi.org/10.28940/terra.v39i0.899
Sehgal V, Bag K, Dhakar R, Shrivastava M (2024) Digital sensing of crop nitrogen content for site-specific nitrogen management: A review. Indian Journal Fertilisers, 20(11), 1068-1081.
Shahab H, Naeem M, Iqbal M, Aqeel M, Ullah SS (2025) IoT-driven smart agricultural technology for real-time soil and crop optimization. Smart Agricultural Technology 100847. https://doi.org/10.1016/j.atech.2025.100847
Sharifi A (2020) Using Sentinel-2 data to predict nitrogen uptake in maize. IEEE Journal of Selected Topics 13: 2656-2662.
Weiss M, Jacob F, Duveiller G (2020) Remote sensing for agriculture: A meta-review. Remote Sensing of Environment 236: 111402. https://doi.org/10.1016/j.rse.2019.111402
Wijayanto B, Sumarmi S, Utomo DH, Handoyo B, Aliman M (2023) Problem-based learning using e-module: Effects on higher-order thinking and learning interest in geography. Journal of Technology and Science Education 13:613. https://doi.org/10.3926/jotse.1965
Wijayanto Y, Safitri M, Purnamasari I, Budiman S, Saputra T, Regar A, Ristiyana S (2024) Estimating chlorophyll, nitrogen, and yield in rice using Sentinel-2 vegetation indices. Indonesian Journal of Geography 56(3). https://doi.org/10.22146/ijg.87159
Wu C, Niu Z, Tang Q, Huang W (2008) Estimating chlorophyll content from hyperspectral vegetation indices: Modeling and validation. Agricultural and Forest Meteorology 148(8-9): 1230-1241. https://doi.org/10.1016/j.agrformet.2008.03.005
Xue J, Su B (2017) Significant remote sensing vegetation indices: A review of developments and applications. Journal of Sensors 1353691. https://doi.org/10.1155/2017/1353691
Yao X, Zhu Y, Tian Y, Feng W, Cao W (2010) Hyperspectral estimation of nitrogen in wheat. International Journal of Applied Earth Observation and Geoinformation 12: 89-100.
Zhang X, Davidson EA, Mauzerall DL, Searchinger TD, Dumas P, Shen Y (2015) Managing nitrogen for sustainable development. Nature 528: 51-59.
Zhao H, Song X, Yang G, Li Z, Zhang D, Feng H (2019) Monitoring nitrogen in wheat using Sentinel-2. Data. Remote Sensing 11(14): 1724. https://doi.org/10.1007/s44279-024-00069-4
Descargas
Publicado
Número
Sección
Licencia
Derechos de autor 2026 Ecosistemas y Recursos Agropecuarios
Esta obra está bajo una licencia internacional Creative Commons Atribución-NoComercial-SinDerivadas 4.0.
1. Política propuesta para revistas de acceso abierto
Los autores/as que publiquen en esta revista aceptan las siguientes condiciones:
1. Los autores/as conservan los derechos de autor y ceden a la revista el derecho de la primera publicación, con el trabajo registrado con la Licencia CC BY-NC-ND 4.0 Creative Commons Attribution-NonCommercial-NoDerivatives 4.0 Internacional de Creative Commons, que permite a terceros utilizar lo publicado siempre que mencionen la autoría del trabajo y a la primera publicación en esta revista.
2. Los autores/as pueden realizar otros acuerdos contractuales independientes y adicionales para la distribución no exclusiva de la versión del artículo publicado en esta revista (p. ej., incluirlo en un repositorio institucional o publicarlo en un libro) siempre que indiquen claramente que el trabajo se publicó por primera vez en esta revista.
3. Se permite y recomienda a los autores/as a publicar su trabajo en Internet (por ejemplo en páginas institucionales o personales) antes y durante el proceso de revisión y publicación, ya que puede conducir a intercambios productivos y a una mayor y más rápida difusión del trabajo publicado (vea The Effect of Open Access).
This work is licensed under CC BY-NC-ND 4.0 
