Página 1
Gestión del agua agrícola 164 (2016) 304–316
Listas de contenido disponibles en ScienceDirect
Gestión del agua agrícola
página de inicio de la revista: www.elsevier.com/locate/agwat
Calibración del modelo AquaCrop para trigo de invierno usando MODIS LAI
imagenes
Andrea Trombetta a , ∗ , Vito Iacobellis b , Eufemia Tarantino b , Francesco Gentile a
a Departamento de DISAAT, Universidad de Bari, Via Amendola 165 / A, Italia
b Departamento DICA TECH, Politecnico di Bari, Via Orabona 4, Italia
información del artículo
Historia del artículo:
Recibido el 7 de mayo de 2015
Recibido en forma revisada
19 de septiembre de 2015
Aceptado el 14 de octubre de 2015
On-line el 2 de noviembre de 2015
Palabras clave:
AquaCrop
Cubierta del dosel
LAI
Imágenes de MODIS
Evaluación del modelo
resumen
En ambientes semiáridos, la densidad y distribución de la vegetación es de considerable importancia para la
Balance hídrico hidrológico. Varios modelos hidrológicos aprovechan los mapas del índice de área foliar (LAI) recuperados
mediante la teledetección como medida de la cobertura vegetal, con el fin de mejorar la evaluación de la evapotran-
pérdidas por espiración e interceptación.
Por otro lado, la evapotranspiración real y el desarrollo de la vegetación pueden derivarse de los cultivos.
modelos de crecimiento, como AquaCrop, desarrollado por la FAO (Organización de las Naciones Unidas para la Alimentación y la Agricultura), que permite
la simulación del desarrollo del dosel de los principales cultivos. Usamos imágenes MODIS LAI para calibrar
AquaCrop según el desarrollo de la cobertura del dosel del trigo de invierno. Con este objetivo explotamos un
Relación empírica entre LAI y la cobertura del dosel. En detalle Aquacrop fue calibrado con MODIS LAI
mapas recopilados entre 2008 y 2011, y validados con referencia a los mapas MODIS LAI de 2013-2014 en
Rocchetta Sant'Antonio y Sant'Agata, dos sitios de prueba en la cuenca hidrográfica de Carapelle, sur de Italia. Resultados,
en términos de evaluación de la cobertura del dosel, proporcionó mejoras. Por ejemplo, para Rocchetta Sant'Antonio,
los índices estadísticos varían de r = 0.40, ER = 0.22, RMSE = 17.28 y KGE = 0.31 (usando el modelo sin
calibración), ar = 0,86, ER = 0,08, RMSE = 6,01 y KGE 0,85 (después de la calibración).
© 2015 Elsevier BV Todos los derechos reservados.
1. Introducción
Los procesos hidrológicos dentro del área mediterránea son
altamente variable tanto en el espacio como en el tiempo debido al régimen lluvioso, topog-
rafia, condiciones del suelo y uso del sueloMoussa et al., 2007 ). En esto
contexto, los modelos hidrológicos distribuidos juegan un papel clave debido a la
creciente uso de información física proporcionada por sensores remotos
datos (por ejemplo, Iacobellis et al., 2013 ) . Particularmente variables que cuantifican
el desarrollo de la cubierta vegetal son útiles para estimar la evaporación
pérdidas por transpiración e interceptación, así como en la evaluación
de la erosión del suelovan der Knijff y col., 2000; Kamaludin et al., 2013 ).
En este campo, el uso de modelos de crecimiento de cultivos es crucial para
optimizar las prácticas agrícolas y, lo que es más importante, para
modelar las variaciones de la cobertura vegetal a escala anual. sin embargo
su uso a escala regional está limitado por la necesidad de
conjuntos de datos basados ​​en que son necesarios para la calibración y las pruebas. Entre
muchos modelos de crecimiento disponibles en la literatura, que presentan una gran
número de variables que no son fáciles de calcular (Raes et al., 2012 ), en
En este estudio utilizamos el modelo AquaCrop de la FAO. Con su reducido
∗ Autor para correspondencia.
Dirección de correo electrónico: andrea.trombetta@outlook.com (A. Trombetta).
número de parámetros AquaCrop se caracteriza por un mejor equilibrio
entre simplicidad, precisión y robustez, que otros cultivos
modelosSteduto et al., 2008 ) . AquaCrop ha sido probado exhaustivamente
en diferentes regiones del mundo y diferentes cultivos (p. ej.,
Ahmadi et al., 2015 ) . Sin embargo, sin calibracin especfica de
parámetros principales todavía muestra grandes incertidumbres en la evaluación
ción de resultados importantes como la evapotranspiración real, el suelo
humedad y rendimiento de los cultivos. En este trabajo intentamos potenciar el uso
de AquaCrop a escala regional aprovechando la disponibilidad de un pozo
un producto de teledetección establecido como las imágenes MODIS-LAI.
Técnicas de detección remota o proximal que utilizan espectrales
Los enfoques pueden proporcionar una identificación rápida del estrés hídrico.
a través de muchos índices de vegetación (Rinaldi et al., 2015 ). Particularmente,
El índice de área foliar (LAI) y la cobertura del dosel (CC) suponen una considerable
relevancia en la definición de modelos de desarrollo de cultivos y eco-
análisis de procesos lógicos (Griffin et.al., 2008).
LAI es una variable adimensional definida como la relación entre
la superficie total de la hoja y la superficie de la hoja proyectada en el suelo
(Ross, 1981 ) . Este índice dinámico está relacionado con la fotosíntesis,
superficie de transpiración de la cubierta forestal ( Jonckheere et al., 2004 ) , lluvia
intercepción de caídas e intercambio de energía entre la vegetación y
la atmósfera (Leuschner et al., 2006 ) . En consecuencia, LAI fue
también implementado en modelos hidrológicos, por ejemplo, modelo DREAM
http://dx.doi.org/10.1016/j.agwat.2015.10.013
0378-3774 / © 2015 Elsevier BV Todos los derechos reservados.
Página 2
A. Trombetta y col. / Gestión del agua agrícola 164 (2016) 304–316
305
(Manfreda et al., 2005 ) . La teledetección proporciona el único
opción para mapear LAI continuamente en todo el mundo ( Tarantino
et al., 2015a, b ) . Recuperación LAI de datos pasivos de detección remota
ha sido evaluado mediante un enfoque semi-empírico-estadístico
o con inversión del modelo de transferencia radiativa (RTM) del dosel foliar
energía reflejada ( Zheng y Moskal, 2009 ) . En el primero mencionado
aproximación LAI se estima a través de índices de vegetación (p. ej., Clevers,
1989; Rouse y col., 1974; Stenberg et al., 2004 ) mientras que el segundo
requieren una inversión de modelos físicos (por ejemplo, Darvishzadeh
et al., 2008; Fei et al., 2012; Houborg et al., 2015 ).
En este estudio, los mapas LAI derivados de la resolución moderada
Espectrorradiómetro de imágenes (MODIS), particularmente el MCD15A2
Se utilizaron productos de nivel 4. El instrumento MODIS fue diseñado
y desarrollado siguiendo el objetivo de la comunidad científica de colaborar
Lectura de datos globales de alta resolución temporal útiles a corto / largo plazo.
estudios ambientales ( Xiong y Barnes, 2006 ) . Modis es parte
de la carga útil de la Administración Nacional de Aeronáutica y del Espacio
satélites Terra y Aqua respectivamente conocidos también
como Sistema de Observación de la Tierra (EOS) AM-1 y EOS PM-1. los
El producto MCD15A2 de nivel 4 está disponible con una resolución espacial de 1 km
y en intervalos de tiempo de 8 a 16 días. El algoritmo implementa una tierra
clasificación de cobertura donde seis tipos de bioma (respectivamente pastizales
y cereales, arbustos, herbáceos latifoliados, prados boscosos, latifoliados
bosques y bosques de coníferas) se distinguen (Altobelli y col.,
2007 ) . Cada bioma representa un patrón de la arquitectura de un
árbol individual y todo el dosel, así como patrones espectrales
reflectancia y transmitancia de elementos vegetales ( Knyazikhin
et al., 1998; Weiss y col., 2000 ).
CC se define como la fracción del suelo cubierta por la pro-
jección de los árbolesNilson y Kuusk, 2004 ) , y es comúnmente
expresado en términos de porcentaje (porcentaje de cobertura del dosel, o su
inverso, porcentaje de apertura del dosel). CC es un parámetro útil en
ecología forestal y se utiliza para estudiar el riesgo potencial de incendios,
cobertizo, erosión y tala ilegal (Chopping et al., 2008; Ozdemir,
2014 ) . Tanto las Naciones Unidas para la Agricultura y la Alimentación (FAO) como
la base de datos nacional de cobertura terrestre (NLCD) utilizó CC para identificar árboles
áreas cubiertasFAO, 2010; Homer et al., 2007 ).
LAI y CC se estiman también mediante modelos de crecimiento. Particularmente
interesante es la integración de datos de teledetección en cultivos
modelos de crecimiento con el objetivo de mejorar la precisión del modelo
simulación ( Dente et al., 2008; Huang et al., 2015; Jongschaap, 2006;
Mo et al., 2005 ). Maas ( 1993) c ompared los resultados de calibración
un modelo de simulación de cultivos en trigo de invierno utilizando la observación LAI
desde el campo y la teledetección. Moulin y col. (1998) en una revisión
El documento describió las relaciones entre las variables del estado del cultivo y
observaciones por satélite. Weiss y col. (2001)describió el proceso
de acoplar el modelo STICS ( Brisson et al., 1998 ) con el modelo SAIL
RTM (Verhoef, 1984 ) y luego realizó un análisis de sensibilidad para
seleccionar los parámetros del modelo de cultivo que más influyeron en la radiometría
señal ric. Bach y col. (2001) c ombined la PROMET-V ( Schneider
y Mauser, 2001 ) y el SAIL con buenos resultados en la estimación
de LAI, altura del dosel y biomasa seca. Doraiswamy et al., (2004)
investigó la utilidad de los datos MODIS tanto para evaluar cultivos
condición y en modelo de simulación de cultivos. Los mapas LAI derivaron tanto
del sensor activo y pasivo fueron asimilados en Dente et al.
(2008) para mejorar la precisión de la predicción del rendimiento del trigo
utilizando el modelo CERES-Wheat. Fang y col., 2008 d eveloped un pro-
método para predecir la estimación del rendimiento de cultivos regionales a partir de datos MODIS.
Xu et al., 2011 i mplemeted la información derivada de la fenología
el producto MODIS LAI en el modelo SWAP (Van Dam y otros, 1997 )
para la estimación del trigo de invierno a escala regional. El producto MODIS LAI
uct también fue utilizado por Fang et al., 2011 para estimar el rendimiento del maíz
con el modelo modelo CSM – CERES – Maize acoplado con el MCRM
modelo ( Kuusk, 1998 ). Huang et al., 2015 i mplemented whithin la
Modelo WOFOST LAI derivado de datos MODIS y LANDSAT TM para
predecir el rendimiento del trigo de invierno a escala regional.
tabla 1
Principales características de la cuenca hidrográfica Carapelle.
Área de la cuenca
982,6 kilometros 2
Altitud máxima
1075 msnm
Altitud media
540 msnm
Pendiente media de la cuenca
4,4%
Precipitación media anual (Rocchetta Sant'Antonio)
1,94 milímetros
Precipitación media anual (Sant'Agata di Puglia)
2,00 milímetros
Temperatura media anual (Rocchetta Sant'Antonio)
13,67 ◦ C
Temperatura media anual (Sant'Agata di Puglia)
13,84 ◦ C
El objetivo de este trabajo es evaluar el modelo AquaCrop por
formas mediante la explotación de la variabilidad LAI-CC del trigo duro de invierno
trigo, que es el tipo de vegetación predominante en un estudio
área dentro de la cuenca de captación de Carapelle, en el sur de Italia, utilizando el
Imágenes MODIS para calibración y validación de modelos. Para este fin
plantean, la relación empírica LAI-CC encontrada por Nielsen et al.
(2012) w tal como se utiliza.
La calibración y la validación se llevaron a cabo por separado utilizando
Imágenes MODIS de baja resolución: la calibración se desarrolló en
2009-2010 en Rocchetta y entre 2008 y 2010 en Sant'Agata,
mientras que la validación se llevó a cabo en 2013-2014 para ambos sitios.
2. Materiales y métodos
2.1. Área de estudio
Los sitios de prueba están cerca de las localidades de Rocchetta Sant'Antonio
y Sant'Agata di Puglia respectivamente, ambos en el río Carapelle-
cuenca. Además, la estación meteorológica de Lacedonia, ubicada cerca de
los anteriores, se consideró en caso de falta de datos. El principal
El arroyo de Carapelle se origina en los Apeninos de Campania, desde La
Forma montaña, y desemboca en el mar Adriático. La captación
tiene una cuenca hidrográfica de 982,6 km 2 ( Cuadro 1 ,Figs. 1 y 2 ).
El régimen del río es torrencial, con un caudal generalmente alto
en noviembre y diciembre, seco en julio y agosto. El clima es
típicamente mediterráneo con inviernos moderadamente lluviosos, cálidos y
veranos secos. El rango de precipitación es de 477 a 815 mm / año y
las temperaturas medias oscilan entre 10 y 16 ◦ C / año. El principal
Los cultivos son trigo duro (85% del área total de la cuenca), diferentes
tipos de huertos de hortalizas y olivos, localizados en llanuras y colinas bajas
áreas, mientras que bosques y pastos están presentes en las laderas más altas
( Milella et al., 2012 ) . El tamaño de los dos sitios de estudio es aproximadamente
1 km 2 ( figura 2 ).
2.2. Descripcion del modelo
AquaCrop ( http: / /www.fao.org/nr/water/aquacrop.html ) es un
sistema de software desarrollado por la División de Tierras y Aguas de la FAO
con el fin de aumentar las prácticas de eficiencia hídrica en los productos agrícolas
ducciónAraya et al., 2010 ) . AquaCrop utiliza los primeros Doorenbos y
Kassam ( 1979) e quation para el cálculo de la biomasa y, por último, la
rendimiento del cultivo, proporcional a la biomasa de acuerdo con un "cosechable
parte". El software simula la producción de biomasa (B) y rendimientos (Y)
de cultivos agrícolas, centrándose en las condiciones de estrés hídrico (Steduto
et al., 2009 ) . El modelo se basa en el recurso hídrico utilizado en
transpiración, que da como resultado biomasa utilizando una concentración específica de cultivo
parámetro servativo ( Geerts et al., 2009 ).
Los coeficientes de tensión juegan un papel clave en el modelo. Ellos describen
las diferentes condiciones de estrés, detectadas en la biomasa del cultivo
producción (trigo, hortalizas). Estos coeficientes "continuamente
ajustar ”las cantidades calculadas en cada paso del cálculo. Ellos varian
entre 1 (sin estrés) y 0 (esfuerzo máximo) ( Fig. 3 ).
Los coeficientes de estrés tienen en cuenta el agua del suelo, la temperatura del aire,
fertilidad y salinidad del suelo. Afectan el pro-
Página 3
306
A. Trombetta y col. / Gestión del agua agrícola 164 (2016) 304–316
Fig. 1. Área de estudio: la cuenca de Carapelle.
cesses, control de la transpiración de los estomas, senescencia del dosel y
Índice de cosecha HI.
El balance hídrico del suelo, la cobertura del dosel verde, la transición del cultivo
espiración, la biomasa y el rendimiento sobre el suelo forman el software
esquema de cálculo. En el esquema de cálculo, diferentes parámetros
operan entre las variables anteriores: coeficiente de cultivo (kc), agua
productividad (WP) y, finalmente, Harvest Index (HI). Entre estos
Los parámetros HI juegan un papel clave al dividir la biomasa (B) en el rendimiento.
(Y). HI crece linealmente en el tiempo después de una fase de retraso, hasta fisiológica
madurez ( Raes et al., 2012 ).
La cubierta del dosel es una característica crucial en AquaCrop, porque
a través de su expansión, envejecimiento, conductancia y senescencia,
determina la cantidad de agua transpirada (T r ), que a su vez
determina la cantidad de biomasa producida (B) y el rendimiento final
(Y) (Raes et al., 2012 ).
La evapotranspiración de referencia se evalúa preliminarmente para
calcular la transpiración utilizando el FAO ET 0
calculadora. los
Se utiliza la fórmula de Penman-Monteith (ecuación (1)):
ET 0 =
0,408 (R n - G) +
900
T + 273
u 2 (e s - e a )
+ (1 + 0.34u 2 )
1
donde ET 0 es la evapotranspiración de referencia [mm día −1 ], R n neto
radiación en la superficie del cultivo [MJ m −2 día −1 ], G den-
ciudad [MJ m −2 día −1 ], T temperatura media diaria del aire a 2 m de altura
[ ◦ C], u 2 velocidad del viento a 2 m de altura [ms −1 ], e s presión de vapor de saturación
seguro [kPa], e una presión de vapor real [kPa], e s –e un vapor de saturación
déficit de presión [kPa], D pendiente curva de presión de vapor [kPa ◦ C −1 ],
constante psicrométrica [kPa ◦ C −1 ]. ET 0 está relacionado con la verdura real
cobertura de la estación a través del coeficiente de cultivo kc, que depende de
tipo de cultivo, período de siembra o plantación, duración del desarrollo del cultivo
etapas y período de crecimiento en las condiciones climáticas predominantes
(Semaika y Rady, 1987 ).
El software consta de cuatro lugares de trabajo independientes: Entorno
y datos de cultivo, simulación, proyecto y campo. Los datos están contenidos en
archivos específicos, incluyendo clima, cultivo, suelo y manejo (riego
gation), condición inicial del agua del suelo ( Raes et al., 2009 ) . Lo básico
unidad de medida para simulaciones sigue un enfoque térmico en
◦ C a escala temporal diaria, el GDD (Growing Degree Days).
AquaCrop utiliza un número relativamente pequeño de explícitos y muy
parámetros intuitivos que intentan equilibrar la simplicidad, la precisión y
robustez ( Andarzian et al., 2011 ). Raes y col. (2009) d escribe el
operación del software en detalle. Además, una descripción completa del modelo
La información es proporcionada por Steduto et al. (2009).
2.3. Adquisición de datos
El software de crecimiento de cultivos Aquacrop requiere detalles físicos,
uso de la tierra y datos climáticos. GeoEye de alta resolución (2 m) (Aquilino
et al., 2014 ) y datos de teledetección MODIS de baja resolución (1 km)
se utilizaron para calibrar y validar el modelo.
Las entradas climáticas son las precipitaciones, la temperatura del aire y la velocidad del viento.
Serie temporal de precipitación, temperatura y velocidad del viento, registrada por
la Agencia de Protección Civil de Regione Puglia, están disponibles. Para
Este estudio, datos diarios sobre precipitaciones, temperaturas máximas y mínimas
peratura de las estaciones de Sant'Agata y Rocchetta, y significan diariamente
Se utilizó la velocidad del viento de la estación anemométrica de Biccari. El uso
de estaciones de termómetro y pluviómetro se evaluó utilizando el
Procedimiento de ponderación de Thiessen.
En caso de que falten datos, fórmulas de regresión entre los principales
estación de Rocchetta y la de Lacedonia, ubicada muy cerca de una
Página 4
A. Trombetta y col. / Gestión del agua agrícola 164 (2016) 304–316
307
Fig. 2. Posición de dos campos de trabajo e imagen LAI-MODIS del 01/05/2014.
Fig. 3. El coeficiente de tensión (Ks) para varios grados de tensión y para diferentes formas de la curva Ks (Raes et al., 2012 ).
al otro, se utilizaron. Los resultados mostraron una fuerte correlación
en términos de precipitaciones y temperatura mínima y máxima de
los dos sitiosFig. 4 a –c). También existe una buena correlación entre
Sant'Agata y Lacedonia para lluvias (Figura 4 d) .
La evapotranspiración de referencia fue estimada por el
Ecuación de Penman-Monteith, que requiere las medidas de temperatura
peratura, humedad del aire, radiación solar y velocidad del viento. Estos
cantidades climáticas, no directamente disponibles, se derivaron de la temperatura
peratura y velocidad del viento, como se describe en Allen et al. (1998) .
Página 5
308
A. Trombetta y col. / Gestión del agua agrícola 164 (2016) 304–316
Fig. 4. Rocchetta-Lacedonia (a – c), regresión de Sant'Agata-Lacedonia (d).
El uso de la tierra y la cobertura vegetal se obtuvieron de Puglia
Sistema de Información SIT, en el sitio web http: / /www.sit.puglia.
it / portal / portale cartografie tecniche tematiche / Descargar /
Cartografie, a escala 1: 5000.
Parámetros del suelo como las clases de textura, saturación hidráulica
conductividad, profundidad del suelo y porosidad se extrajeron de la
Proyecto ACLA2 (escala 1: 100.000), un programa de investigación financiado por la
Región de Puglia y destinado a la caracterización agroecológica de la
región sobre la base de pruebas de laboratorio, observación de campo y fotografía
interpretación de fotografías aéreas e imágenes de satélite (Caliandro
et al., 2005 ).
Las clases de textura se encontraron utilizando la estructura de textura del USDA.
ángulo. Las propiedades hidráulicas del suelo (la humedad volumétrica del suelo
contenido en saturación (Â máx. ), punto de marchitez (Â wp ) y capacidad de campo
(Â FC ), conductividad hidráulica en saturación (k s )) se estimaron
utilizando Saxton y Rawls ( Saxton et al., 1986; Saxton y Rawls,
2006 ) funciones de pedotransferencia, que se implementan en un cálculo
tor en el sitio web http: / /hrsl.ba.ars.usda.gov/soilwater/Index.htm .
El algoritmo de segundo nivel de Saxton y Rawls (según la clasificación
sificación de Ungaro y Calzolari, 2001 ) parte de la arcilla (C) y
porcentajes en peso de arena (S), y de materia orgánica (MO), que
está relacionado con el contenido de carbono orgánico (CO) cuando se mide directamente
los mentos no están disponibles. Estas cantidades están disponibles gratuitamente en el
sitio web http: // eusoils.jrc.ec.europa.eu/ESDB Archive / octop / octop
datos. html, con una resolución de 1 km.
La materia orgánica está relacionada con el carbono orgánico con la ecuación (2).
OM = OC × 1,724
2
Las imágenes MODIS (Espectro de imágenes de resolución MODerada)
diometer) están disponibles gratuitamente en el sitio web de la NASA ( https: // lpdaac.
usgs. tabla de productos gov / products / modis). Las imágenes MODIS (hdf-
formato eos) son procesados ​​por la herramienta MODIS de reproyección, libremente
disponible en el sitio web del centro de datos EROS de USGS ( https: // lpdaac.
usgs. herramienta de reproyección gov / tools / modis).
Se adquirieron imágenes GeoEye de alta resolución para
Escena 13/05/2009 en Sant'Agata y para la escena 29/04/2010
tanto para Rocchetta como para Sant'Agata. Estudios previos demostraron
la compatibilidad de LAI recuperada a través de recursos espaciales muy altos
lution datos satelitales con datos MODIS LAI (Aquilino et al., 2014;
Tarantino et al., 2015a, b ).
2.4. Relaciones LAI-cobertura del dosel
El índice de área foliar (LAI) y el porcentaje de cobertura del dosel son
dos expresiones de la cubierta vegetal y cobran relevancia en
los modelos de desarrollo de cultivos y el análisis de procesos ecológicos
(Griffin et al., 2008 ).
LAI es una variable positiva y sus valores dependen de varios factores.
factores tales como el clima, la disponibilidad de agua y las etapas de desarrollo. A
El valor LAI igual a cero representa el suelo desnudo, mientras que los valores altos
dar cuenta de una densa cubierta vegetal.
Los valores LAI se obtienen mediante imágenes MODIS y GeoEye mientras
AquaCrop evalúa la cubierta de dosel verde.
Por esta razón, una relación entre estas dos variables
que dependen de los tipos de cultivo / vegetación, el tipo de suministro de agua
(riego o no), la densidad del cultivo y las prácticas de manejo,
se necesita la variabilidad estacional e interanual.
Muchos autores propusieron varias ecuaciones de conversión para
cultivo / vegetación específica y arquitectura relativa del dosel, (Buckley
et al., 1999; Wang y col., 2005; Hsiao et al., 2009; Nielsen y col.,
2012 )
En este estudio, la relación empírica Eq. (3) propuesto por
Nielsen et al., (2012) w tal como se aplica como se refiere a un trigo de invierno
cultivo:
CC = 94,00 × [1 - exp (−0,43 × LAI)] 0,52
3
con R 2 = 0,957.
2.5. Proceso de calibración / validación
Cualquier modelo debe ser cuidadosamente parametrizado, calibrado y
validado antes de su uso práctico ( Addiscott et al., 1995; Nain y
Kerebaum, 2007 ; Biondi et al., 2012 ) . Durante la parametrización y
calibración, los parámetros del modelo e incluso el código pueden ser
cambiado para obtener valores simulados precisos frente a la
datos observados. Por el contrario, durante la validación, el modelo se ejecuta sin
cualquier modificación de los parámetros o el código del modelo, que es
Página 6
A. Trombetta y col. / Gestión del agua agrícola 164 (2016) 304–316
309
en comparación con datos experimentales independientes ( Nain y Kersebaum,
2007; Salazar et al., 2009 ).
AquaCrop está diseñado para ser aplicado ampliamente bajo diferentes
condiciones climáticas y del suelo, sin parámetros de cultivo particulares
izaciones ( Hsiao et al., 2012 ) . Los parámetros usados ​​en el modelo
se subdividen en parámetros conservadores, constantes según
a las condiciones de contorno y a los parámetros basados ​​en la ubicación,
cultivares y prácticas de manejo. Sin embargo, muchos de los
Los parámetros conservadores se obtienen a partir de modernos métodos de alto rendimiento.
cultivares cultivados con una fertilidad óptima del suelo sin limitaciones de
cualquier nutriente mineral, particularmente nitrógeno (Hsiao et al., 2012 ).
Además, también hay parámetros de tipo específico de cultivo, es decir,
parámetros similares a los conservadores, que presentan leves
variaciones dentro de la misma especie de cultivo, debido a diferentes cultivares
clases. Durante la calibración, los parámetros calibrados disponibles se
se utilizan como punto de partida y se ajustan mediante medidas locales
seguros.
La serie temporal de la cubierta del dosel se utiliza para calibrar el modelo. Por
su expansión, desarrollo y senescencia, el agua transpirada
se obtiene la cantidad, que posteriormente determina la biomasa
producción.
Por tanto, los CC simulados se comparan con los correspondientes
valores observados. Los parámetros que afectan el desarrollo de CC
son: densidad de plantas, cobertura de dosel inicial (CCo), tiempo desde la siembra hasta
emergencia, tiempo desde la siembra hasta la senescencia, tiempo desde la siembra hasta
madurez, cobertura máxima del dosel (CCx), coeficiente de crecimiento del dosel
(CGC), coeficiente de disminución del dosel (CDC) y máximo efectivo
profundidad de enraizamiento (Zx).
El desarrollo del dosel se simula mediante dos ecuaciones:
Eq. (1) (crecimiento exponencial) es válido cuando CC ≤ CC x / 2
CC = CC 0 e
tCGC
4
Eq. (2) (decaimiento exponencial) es válido cuando CC> CCx / 2
CC = CC x - 0,25
(CC x ) 2
CC 0
mi
−tCGC
5
donde t es el tiempo,Raes et al., 2012 ).
Partimos de los valores de los parámetros disponibles en la literatura científica.
eratura sobre el trigo cultivado en la cuenca de Carapelle para determinar
las fases fenológicas, mientras que con respecto a los otros parámetros
los valores predeterminados del cultivo calibrado dentro del software fueron
utilizado como punto de partida. La calibración se llevó a cabo siguiendo
una técnica de prueba y error, variando los parámetros de calibración
y evaluar las diferencias entre simulación y MODIS-
datos de observación.
El contenido de agua del suelo al comienzo de la simulación fue
elegido como el valor mínimo alcanzado después de la estación seca de verano
y se asumió que era igual al punto de marchitez permanente, PWP.
2.6. Métricas de rendimiento
Usamos varios índices estadísticos para la calibración y la valoración del modelo.
idación, como el error cuadrático medio (RMSE), error relativo
(ER), coeficiente de correlación lineal (r), variabilidad relativa, relativa
sesgo y eficiencia Kling-Gupta (KGE).
El error cuadrático medio está dado por la ecuación. (6):
RMSE =
√∑
(P i - O i ) 2
norte
6
donde O i y P i son los valores observados y predichos (MODIS
medidas y simulado respectivamente), y n el número de observaciones
variaciones. Una desventaja de RMSE radica en que los errores residuales son
calculados como valores al cuadrado, lo que significa que los valores más altos en un
Las series de tiempo reciben mayor peso que los valores más bajos ( Legados y
McCabe, 1999 ).
El error relativo (ER%) (Ec. (7)):
ER =
P i - O i
O yo
7
Gupta y col. (2009) h ighlighted algunos puntos críticos relacionados con
las métricas de rendimiento más utilizadas en hidrología, es decir, la NSE y
RMSE. Demostraron que NSE (Nash y Sutcliffe, 1970) puede
descifrar en tres componentes distintivos y a saber: el lineal
correlación (r) entre simulaciones y observaciones, la norma de sesgo
malizado por la desviación estándar en los valores observados y un
medida de variabilidad relativa en los valores simulados y observados
ues (˛). Gupta y col. (2009)propuso la eficiencia Kling-Gupta
definido como (8, 9, 10):
= s
o
8
=
s
o
9
KGE = 1 -
√
(r - 1) 2 + (˛ - 1) 2 +
(
ˇ - 1
) 2
10
dónde
es la desviación estándar y
es el valor medio (con
subíndice "s" para simulaciones y "o" para observaciones), ˛ es el
variabilidad relativa y ˇ es el sesgo relativo.
3. Resultados y discusión
3.1. Calibración
En la Tabla 2 t él las propiedades del suelo y el suelo prop- hidráulico
Los artículos utilizados para ejecutar el modelo se informan para Rocchetta Sant'Antonio
y Sant'Agata di Puglia.
En la Tabla 3 t él valores asignados a los parámetros del modelo son específicos
informó tanto de Rocchetta Sant'Antonio como de Sant'Agata di Puglia.
Figura 5 muestra los valores CC simulados por Aquacrop después de la calibración
bración y los obtenidos de las imágenes MODIS en 2009-2010
donde el modelo simula con precisión el comportamiento de CC.
La calibración de Sant'Agata fue más precisa en la medida en que
hay dos años de observaciones. Además, en 2008-2009
Los valores de CC son más bajos que en 2009-2010 como se muestra en las Figs. 6 y 7 ,
donde tanto los valores de CC simulados como los obtenidos de la
Se informan las imágenes MODIS. En las mismas figuras los datos obtenidos
de los datos del sensor GeoEye de alta resolución. Estos
las imágenes se refieren al 29 de abril de 2010 tanto para Rocchetta como para Sant'Agata
y al 13 de mayo de 2009 para Sant'Agata. El modelo parece proporcionar una
sobreestimación casi sistemática en las simulaciones de 2008-2009 y es
más en línea para los años 2009-2010.
En todo el período de investigación, los valores CC medios de Roc-
chetta fueron más altos que los de Sant'Agata, probablemente
debido a las diferentes condiciones de exposición topográfica de los dos
sitios.
Se observó un buen ajuste en todas las simulaciones, pero después de la
etapa de floración notamos que la senescencia era un poco más rápida
en comparación con las simulaciones, de acuerdo con los comentarios de
Andarzian et al., 2011 . La razón de este comportamiento puede deberse a
el efecto del estrés de alta temperatura en CC, que no se considera
en el modeloAndarzian et al., 2011 ).
Los índices estadísticos se informan en la Tabla 4 :
La producción de biomasa (B) y el rendimiento (Y) parece sobreestimarse
apareados con respecto a las cantidades habitualmente obtenidas en estas zonas
( Cuadro 5 ) , que, según productores locales, oscilan entre 3,5
y 5 ton / ha (Quaranta et al., 2015 ).
Los índices estadísticos son buenos en todas las simulaciones, particularmente para
Sant'Agata 2009-2010, en el que todos los índices de eficiencia alcanzan
valores excelentes, como por ejemplo, RMSE que alcanza el promedio
valor de 9% ( Tabla 4 un nd . Figs 8-10 ). En las Figs. 8-10 t él error relativo
Página 7
310
A. Trombetta y col. / Gestión del agua agrícola 164 (2016) 304–316
Tabla 2
Propiedades del suelo de Rocchetta Sant'Antonio y Sant'Agata di Puglia.
Propiedades del suelo Rocchetta Sant'Antonio
Número de capas
Tipo de suelo
Clases de textura
(Triángulo del USDA)
Contenido orgánico
(JEFE)
Materia orgánica
(OM)
Propiedades hidráulicas del suelo
%
 SAT (%)
 WP (%)
 FC (%)
k S (mm / h)
1
MARGA
Arena
42
1.702482
2.93507
Arcilla
18
46,9
12,9
27,2
20,33
Limo
40
Propiedades del suelo Sant'Agata di Puglia
Número de capas
Tipo de suelo
Clases de textura
(Triángulo del USDA)
Contenido orgánico
(JEFE)
Materia orgánica
(OM)
Propiedades hidráulicas del suelo
%
 SAT (%)
 WP (%)
 FC (%)
k S (mm / h)
1
MARGA
Arena
42
1,635032
2.818795
Arcilla
18
46,6
12,8
27,0
19,89
Limo
40
Tabla 3
Valores asignados a parámetros específicos del modelo para simular las respuestas del trigo de invierno en Rocchetta Sant'Antonio y Sant'Agata di Puglia. L significa que el valor ha sido
tomado por defecto o de la literatura; C si proviene de la calibración.
Descripción de parámetros
Rango sugerido
por el modelo
Entrada Rocchetta
valores
Entrada Sant'Agata
valores
Unidad o significado
Tiempo desde la siembra hasta la emergencia
100–250
224
224
GDD
C
Tiempo desde la siembra hasta el máximo
cubierta del dosel
derivado
1124
1119
GDD
/
Tiempo desde la siembra hasta el inicio del dosel
senectud
Tiempo de emergencia + 1000–2000 1244
1201
GDD
C
Tiempo desde la siembra hasta la madurez
Tiempo de emergencia + 1500–2900 2309
2399
GDD
C
Tiempo desde la siembra hasta la floración
Tiempo de emergencia + 900-1300
1024
1149
GDD
C
Duración de la floración
150–280
285
267
GDD
C
Plántula del tamaño del dosel
1,50
1,50
1,50
cm 2 / planta, el área de la planta inicial
L
Cobertura máxima del dosel (CCx)
80–99%
90%
79
La cubierta de dosel máxima permitida
C
Coeficiente de crecimiento del dosel (CGC)
0,5–0,7
0,613
0,602
% / GDD el aumento máximo permitido de CC
C
Coeficiente de declive del dosel (CDC)
0.4
0,247
0,191
% / GDD la disminución máxima permitida de CC C
Profundidad de enraizamiento efectiva máxima (Zx)
Hasta 2,40
1,5
1,5
metro
L
Tiempo desde la siembra hasta el máximo
profundidad de enraizamiento
derivado
725
725
GDD
/
Temperatura base
0.0
0.0
0.0
◦ C, el crecimiento del cultivo se detiene por debajo de esta temperatura
L
Temperatura superior
26,0
26,0
26,0
◦ C, el crecimiento del cultivo se detiene por encima de esta temperatura
L
Coeficiente de transpiración del cultivo (kc Tr )
1,10
1,10
1,10
Transpiración total del dosel en relación con ETo
L
Productividad del agua (WP)
15.0
15.0
15
g (biomasa) / m 2 , función del CO 2 atmosférico
L
Índice de cosecha de referencia (HIo)
45-50%
43%
43
El índice de cosecha en condiciones óptimas
C
Longitud acumulando HI
derivado
1262
1181
GDD, el período durante el cual aumenta el rendimiento
/
Fig. 5. CC simulado y observado de trigo de invierno en Rocchetta Sant'Antonio 2009–2010.
se hace referencia a cada imagen MODIS se informa, mientras que la Tabla 4 s comos la
error relativo medio referido a toda la simulación.
3.2. Validación
El paso de validación se realizó con referencia al período
2013-2014. Con el fin de evaluar las mejoras realizadas a través de
la fase de calibración anterior, se compararon los resultados del modelo
con los obtenidos con las ejecuciones del modelo en las que los valores predeterminados para
se utilizó el trigo de invierno en AquaCrop. La simulación se ejecuta con
Los valores predeterminados para Rocchetta se indican con ValenzanoP1 mientras que
los de Sant'Agata con ValenzanoP2. Los resultados se muestran en
Figs. 11 y 12 .
Analizando gráficos de series de tiempo e índices estadísticos ( Tabla 4 )
observamos que la calibración proporciona mejoras significativas
ción en ambos sitios. El error relativo disminuye de 0,22 a 0,08
Página 8
A. Trombetta y col. / Gestión del agua agrícola 164 (2016) 304–316
311
Fig. 6. CC simulado y observado del trigo de invierno en Sant'Agata di Puglia 2008–2009.
Fig. 7. CC simulado y observado del trigo de invierno en Sant'Agata di Puglia 2009–2010.
Fig. 8. Error relativo en la calibración Rocchetta Sant'Antonio 2009–2010.
para Rocchetta y de 0.38 30 a 0. 19 para Sant'Agata. El RMSE
también muestra un decremento de 17.28 a 6.01 para Rocchetta, y de
30.29 a 12.27 para Sant'Agata. Se notó un mejor desempeño
incluso cuando se observan los valores ˛ y.
Al observar la serie de tiempo de error relativo, la mejora promedio
Se registran aproximadamente 20% para ambos sitios de estudio ( Fig.13 (a ), y
(B).
El trigo de invierno predeterminado dentro de AquaCrop conduce a una sobreestimación
mación del rendimiento CC ( Fig.13 (c ) y (d) de acuerdo con
Hsiao et al., 2012 .
Finalmente, Biomasa y Rendimiento ( Cuadro 5 ) muestran valores más bajos usando cal-
ibración que el cultivo predeterminado de AquaCrop, por lo que están más cerca de
las cantidades obtenidas para el rendimiento de 2014, que es aproximadamente
4.5 ton / ha basado en información recolectada en las áreas bajo estudio
y de acuerdo a lo reportado por Quaranta et al. (2015) . También en
este caso los rendimientos más altos se deben a la Hsiao et al., 2012 c ondi-
Página 9
312
A. Trombetta y col. / Gestión del agua agrícola 164 (2016) 304–316
Fig. 9. Error relativo en la calibración Sant'Agata di Puglia 2008–2009.
Fig. 10. Error relativo en la calibración Sant'Agata di Puglia 2009–2010.
Cuadro 4
Parámetros estadísticos de puntos calibrados y validados.
RMSE
ER
˛
ˇ
r
KGE
CC
CC
CC
CC
CC
CC
Calibración
Rocchetta 2009-2010
10.11
0,17
0,82
1.08
0,90
0,77
Sant'Agata 2008-2009
11.26
0,20
1.03
1,18
0,88
0,78
Sant'Agata 2009–2010
6,48
0,09
1,20
0,95
0,88
0,86
Validación
Rocchetta 2013–2014
6.01
0,08
0,94
1.03
0,86
0,85
ValenzanoP1 2013–2014
17.28
0,22
0,71
1,19
0,40
0,31
Sant'Agata 2013-2014
12.27
0,19
1.07
1.02
0,58
0,57
ValenzanoP2 2013–2014
30.29
0,38
1.01
1,35
0,80
0,56
Cuadro 5
Biomasa y rendimiento de puntos calibrados y validados.
Biomasa
Producir
ton / ha
ton / ha
Calibración
Rocchetta 2009-2010
14.683
6.314
Sant'Agata 2008-2009
13.173
5.664
Sant'Agata 2009–2010
13.444
5.719
Validación
Rocchetta 2013–2014
15.460
6.486
ValenzanoP1 2013–2014
19.036
9.139
Sant'Agata 2013-2014
14.704
6.321
ValenzanoP2 2013–2014
18.244
8.601
Página 10
A. Trombetta y col. / Gestión del agua agrícola 164 (2016) 304–316
313
Fig. 11. Comparación entre CC simulada y observada de trigo de invierno de Rocchetta Sant'Antonio (a, b) y ValenzanoP1 (c, d) en 2014 (validación).
Fig. 12. Comparación entre CC simulado y observado del trigo de invierno de Sant'Agata di Puglia (a, b) y ValenzanoP2 (c, d) en 2014 (validación).
ciones y las tendencias más altas de CC, que se reflejan en primer lugar en B
y en segundo lugar en Y (ecuación (11), (12):
B = K s WP
∑
T r
ET 0
11
Y = f HI HI 0 B
12
donde la transpiración T r es directamente proporcional al desarrollo de CC
ment.
4. Conclusiones
Las imágenes de teledetección son un apoyo útil para modelar aplicaciones
cationes, ya que permiten la investigación cualitativa y cuantitativa
de objetos colocados en la tierra. En este estudio las imágenes de satélite
se utilizaron como herramienta de apoyo para la calibración del ciclo fenológico de los cultivos.
ción. En detalle, datos de satélite LAI MODIS, convertidos en dosel
cobertura, se compararon tanto en calibración como en validación con
Salidas del modelo AquaCrop. Vale la pena mencionar que tal com-
parison implica el uso de una relación entre LAI y CC. Con
Página 11
314
A. Trombetta y col. / Gestión del agua agrícola 164 (2016) 304–316
Fig. 13. Simulado, medido, Valenzano para Rocchetta Sant'Antonio (a) y Sant'Agata di Puglia (b). Comparación del error relativo en la validación entre Rocchetta (c) y
Sant'Agata (d) con ValenzanoP1 y ValenzanoP2.
Este propósito usamos una relación LAI-CC empírica y notamos
que hay pocos estudios disponibles en este campo que merece más
investigación.
Los resultados muestran que el modelo AquaCrop da una buena estimación
maciones del desarrollo de la cubierta del dosel del trigo de invierno en
dos ubicaciones en el sur de Italia. La teledetección ha proporcionado una
herramienta importante para realizar la calibración y la convergencia de LAI
valores de imágenes GeoEye de alta resolución con baja resolución
Las imágenes MODIS comprobaron eficazmente la fiabilidad de la información.
obtenido por imágenes MODIS.
Una calibración local de los parámetros dentro del modelo, que es
posible y facilitado por el bajo número de parámetros necesarios
en el modelo, por lo tanto, se recomienda.
Además, un modelo calibrado en base a CC, también muestra rendimiento
resultados consistentes con la productividad real del trigo de invierno en el estudio
área.
Finalmente, como retroalimentación positiva, el uso de técnicas de calibración
basado en la teledetección puede mejorar el uso integrado de modelos
como AquaCrop junto con modelos distribuidos a escala de cuenca.
Este enfoque integrado puede conducir a importantes mejoras
mentos en la evaluación del rendimiento de trigo a escala regional. También un
uso combinado de modelos de crecimiento de cultivos con distribución hidrológica
Los modelos podrían ser útiles para mejorar la fenomenología.
descripción y para obtener estimaciones aceptables de cada hidrológico
componente de equilibrio, como, por ejemplo, un espacio y temporal
variabilidad de la humedad del suelo.
Reconocimiento
Esta investigación fue financiada por Fondazione Cassa di Risparmio di
Apulia, Proyecto “Impiego delle immagini da satellite nella gestione
della risorsa idrica a scala di bacino ”, coordinadora científica prof.
Francesco Gentile, Universidad de Bari.
Referencias
Addiscott, T., Smith, J., Bradbury, N., 1995. Evaluación crítica de modelos y sus
parámetros. J. Environ. Qual. 24, 803–807.
Ahmadi, SH, Mosallaeepour, E., Kamgar-Haghighi, AA, Sepaskhah, AR, 2015.
Modelar el rendimiento del maíz y el contenido de agua del suelo con AquaCrop en condiciones
Manejos de riego deficitario . Recurso de agua. Administrar. 29, 2837–2853.
Allen, RG, Pereira, LS, Raes, D., Smith, M., 1998. Crop
evapotranspiración: pautas para calcular los requisitos de agua de los cultivos.
Irrigation Drainage, 56. FAO, Roma, Italia, págs. 300.
Altobelli, A., Napolitano, R., Bressan, E., Mignozzi, K., Hubina, T., Feoli, E., 2007.
Prodotti MODIS per lo studio della vegetazione: teoria, application pratica e
problemi di scala, VIII Encuentro degli utenti italiani di GRASS, Palermo, 14–16
febbraio 2007.
Andarzian, B., Bannayan, M., Steduto, P., Mazraeh, H., Barati, M., Barati, M.,
Rahnama, A., 2011. Validación y prueba del modelo AquaCrop en pleno
y producción deficitaria de trigo de regadío en Irán. Agri. Manejo del agua. 100, 1–8.
Aquilino, M., Novelli, A., Tarantino, E., Iacobellis, V., Gentile, F., 2014. Evaluating the
potencial de los datos de GeoEye para recuperar LAI a escala de cuencas hidrográficas. Procedimientos de
Spie Volume 9239 — Teledetección para agricultura, ecosistemas y
Hidrología XVI.
Araya, A., Keesstra, S., Stroosnijder, L., 2010. Simulación de la respuesta del rendimiento al agua de
Teff (Eragrostis tef) con el modelo AquaCrop de la FAO. Cultivos de campo Res. 116, 196-204.
Bach, H., Schneider, K., Verhoff, W., Stolz, R., Mauser, W., Van Leeuwen, H.,
Schouten, L., Borgeaud, M., 2001. Recuperación de información geo y biofísica
desde la teledetección a través de una combinación avanzada de un proceso de superficie terrestre
modelo con técnicas de inversión en el rango espectral óptico y de microondas.
Mediciones físicas y firmas en teledetección, internacional
Simposio, 639–647.
Biondi, D., Freni, G., Iacobellis, V., Mascaro, G., Montanari, A., 2012. Validación de
modelos hidrológicos: base conceptual, enfoques metodológicos y un
propuesta de código de prácticas. Phys. Chem. Earth 42–44, 70–76, http: // dx.doi.
org / 10.1016 / j.pce.2011.07.037.
Buckley, DS, Isebrands, JG, Sharik, TL, 1999. Métodos prácticos de campo de
estimación de la cobertura del dosel, PAR y LAI en rodales de robles y pinos de Michigan. Norte.
J . Apl. Para. 16 (1), 25–32.
Brisson, N., Mary, B., Ripoche, D., Jeuffroy, MH, Ruget, F., Nicoullaud, B., Gate, P.,
Devienne-Barret, F., Antonioletti, R., Durr, C., 1998. STICS: un modelo genérico para
la simulación de cultivos y sus balances hídricos y nitrogenados. I. Teoría y
parametrización aplicada al trigo y al maíz. Agronomie 18, 311–346.
Caliandro, A., Lamaddalena, N., Stelluti, M., Steduto, P., 2005. Caratterizzazione
agroecologica della Regione Puglia in funzione della potenzialità produttiva:
Progetto Acla 2. Puglia, Bari, Italia, Opuscolo Divulgativo.
Chopping, M., Moisen, GG, Su, L., Laliberte, A., Rango, A., Martonchik, JV, Peters,
DP, 2008. Gran cartografía de áreas de cobertura de las copas de bosques del sudoeste, dosel
altura y biomasa utilizando el espectro-radiómetro de imágenes de múltiples ángulos de la NASA.
Ambiente Sens. Remoto . 112, 2051-2063.
Pagina 12
A. Trombetta y col. / Gestión del agua agrícola 164 (2016) 304–316
315
Clevers, J., 1989. Aplicación de un índice de vegetación infrarrojo-rojo ponderado para
estimación del índice de área foliar corrigiendo la humedad del suelo. Sensores remotos.
Reinar. 29, 25–37.
Darvishzadeh, R., Skidmore, A., Schlerf, M., Atzberger, C., 2008. Inversión de una
modelo de transferencia radiativa para estimar el LAI y la clorofila de la vegetación en un
pastizales heterogéneos . Ambiente Sens. Remoto. 112, 2592–2604.
Dente, L., Satalino, G., Mattia, F., Rinaldi, M., 2008. Índice de asimilación del área foliar
derivado de los datos de ASAR y MERIS en el modelo CERES-Wheat para mapear el trigo
rendimiento . Ambiente Sens. Remoto. 112, 1395–1407.
Doraiswamy, P., Hatfield, J., Jackson, T., Akhmedov, B., Prueger, J., Stern, A., 2004.
Simulaciones de rendimiento y condición de cultivo utilizando Landsat y MODIS. Sensores remotos.
Reinar. 92, 548–559.
Doorenbos, J., Kassam, AH, 1979. Rendimiento de respuesta al agua. Riego y Drenaje,
33. FAO, Roma, Italia, págs. 193.
Fang, H., Liang, S., Hoogenboom, G., Teasdale, J., Cavigelli, M., 2008. Rendimiento de maíz
estimación a través de la asimilación de datos de teledetección en el
Modelo CSM– CERES – Maíz. En t. J Remote Sens. 29, 3011–3032.
Fang, H., Liang, S., Hoogenboom, G., 2011. Integración de MODIS LAI y vegetación
indexar productos con el modelo CSM-CERES-Maize para la estimación del rendimiento de maíz.
Int . J. Remote Sens. 32, 1039–1065.
Fao, 2010. Evaluación de los recursos forestales mundiales 2010: Informe principal. Comida y
Organización de las Naciones Unidas para la Agricultura.
Fei, Y., Jiulin, S., Hongliang, F., Zuofang, Y., Jiahua, Z., Yunqiang, Z., Kaishan, S.,
Zongming, W., Maogui, H., 2012. Comparación de diferentes métodos para el LAI de maíz
estimación sobre el noreste de China. En t. J. Appl. Earth Obs. Geoinform. 18,
462 –471.
Geerts, S., Raes, D., García, M., Miranda, R., Cusicanqui, JA, Taboada, C., Mendoza, J.,
Huanca, R., Mamani, A., Condori, O., Mamani, J., Morales, B., Osco, V., Steduto,
P., 2009. Simulando la respuesta del rendimiento al agua de la quinua (Chenopodium quinoa
Willd.) Con FAO-AquaCrop. Agron. J. 101, 499–508.
Griffin, AMR, Popescu, SC, Zhao, K., 2008. Usando LIDAR y diferencia normalizada
índice de vegetación para determinar remotamente el LAI y el porcentaje de cobertura del dosel. En: Hill,
RA , Rosette, J., Suárez, J. (Eds.), Actas de la 8va Conferencia Internacional sobre
Aplicaciones LIDAR en Evaluación e Inventario Forestal. Edimburgo, Reino Unido, págs.
446 –455.
Gupta, HV, Kling, H., Yilmaz, K., Martinez, GF, 2009. Descomposición de la media
error al cuadrado y criterios de rendimiento NSE: implicaciones para mejorar
modelización hidrológica . J. Hydrol. 377 (1–2), 80–91.
Homer, C., Dewitz, J., Fry, J., Coan, M., Hossain, N., Larson, C., Herold, N., McKerrow,
A., VanDriel, JN, Wickham, J., 2007. Finalización de la tierra nacional de 2001
Cubrir la base de datos de los Estados Unidos contrarios. Photogramm. Eng.
Sensores remotos 73, 337.
Houborg, R., McCabe, M., Cescatti, A., Gao, F., Schull, M., Gitelson, A., 2015. Hoja conjunta
Recuperación del índice de contenido de clorofila y área foliar a partir de datos Landsat utilizando un
sistema de inversión de modelo regularizado (REGFLEC). Ambiente Sens. Remoto. 159,
203 –221.
Hsiao, TC, Heng, L., Steduto, P., Rojas-Lara, B., Raes, D., Fereres, E., 2009.
AquaCrop: el modelo de cultivo de la FAO para simular la respuesta del rendimiento al agua: III:
Parametrización y pruebas para maíz. Agron. J. 101 (3), 448–459.
Hsiao, TC, Fereres, E., Steduto, P., Raes, D., 2012. Capítulo 3.3 AquaCrop
guía de parametrización, calibración y validación en Crop Yield Response para
Agua. Papel de riego y drenaje no 66. FAO, Roma, Italia, Steduto, P.,
Hsiao, TC, Fereres, E., Raes, D., (Eds.).
Huang, J., Tian, ​​L., Liang, S., Ma, H., Becker-Reshef, I., Huang, Y., Su, W., Zhang, X.,
Zhu, D., Wu, W., 2015. Mejora de la estimación del rendimiento del trigo de invierno por
asimilación del índice de área foliar de Landsat TM y datos MODIS en el
Modelo WOFOST . Agric. Para. Meteorol. 204, 106-121.
Iacobellis, V., Gioia, A., Milella, P., Satalino, G., Balenzano, A., Mattia, F., 2013.
Intercomparación de simulaciones de modelos hidrológicos con series de tiempo de SAR-
mapas de humedad del suelo derivados . EUR. J. Remote Sens. 46 (1), 739–757.
Jonckheere, I., Fleck, S., Nackaerts, K., Muys, B., Coppin, P., Weiss, M., Baret, F., 2004.
Revisión de métodos para la determinación del índice de área foliar in situ Parte I.Teorías,
sensores y fotografía hemisférica. J. Agric. Para. Meteorol. 121, 19–35.
Jongschaap, RE, 2006. Calibración en tiempo de ejecución de modelos de simulación mediante la integración
estimaciones de sensores remotos del índice de área foliar y el nitrógeno del dosel. EUR. J. Agron.
24, 316–324.
Kamaludin, H., Lihan, T., Ali Rahman, Z., Mustapha, MA, Idris, WMR, Rahim, SA,
2013. Integración de la teledetección, RUSLE y GIS para modelar la pérdida potencial de suelo
y rendimiento de sedimentos (SY). Hydrol. Earth Syst. Sci. Analice 10, 4567–4596.
Knyazikhin, Y., Martonchik, JV, Myneni, RB, Diner, DJ, Running, SW, 1998.
Algoritmo sinérgico para estimar el índice de área foliar del dosel de la vegetación y
fracción de radiación fotosintéticamente activa absorbida de MODIS y MISR
datos. J. Geophys. Resour. 103, 32257–32275.
Kuusk, A., 1998. Monitoreo de parámetros de vegetación en grandes áreas por el
inversión de un modelo de reflectancia de dosel. En t. J. Remote Sens. 19, 2893–2905.
Legates, DR, McCabe, GJ, 1999. Evaluación del uso de medidas de bondad de ajuste en
Validación de modelos hidrológicos e hidroclimáticos. Recurso de agua. Res. 35,
233 –241.
Leuschner, CH, Voß, S., Foetzki, A., Clases, Y., 2006. Variación en el índice de área foliar y
soportar la masa foliar de haya europea a través de gradientes de acidez del suelo y
precipitación. Plant Ecol. 182, 247-258.
Maas, SJ, 1993. Calibración dentro de la temporada del crecimiento modelado del trigo utilizando
detección y muestreo de campo. Agron. J. 85, 669–672.
Manfreda, S., Fiorentino, M., Iacobellis, V., 2005. DREAM: un modelo distribuido para
simulación de escorrentía, evapotranspiración y antecedentes de humedad del suelo. Adv.
Geosci. 2, 31–39.
Milella, P., Bisantino, T., Gentile, F., Iacobellis, V., Trisorio Liuzzi, G., 2012.
Análisis de diagnóstico de entradas distribuidas y conjuntos de datos de parámetros en
Modelización de caudales de la cuenca mediterránea . J. Hydrol. 472–473, 262–276.
Mo, X., Liu, S., Lin, Z., Xu, Y., Xiang, Y., McVicar, T., 2005. Predicción del rendimiento de los cultivos,
consumo de agua y eficiencia en el uso del agua con un modelo de crecimiento de cultivos SVAT
utilizando datos de detección remota en la llanura del norte de China. Ecol. Modelo. 183,
301 –322.
Moussa, R., Chahinian, N., Bocquillon, C., 2007. Modelado hidrológico distribuido
de una cuenca montañosa mediterránea: construcción de modelos y
validación de múltiples sitios . J. Hydrol. 337, 35–51.
Nain, AS, Kersebaum, K.Ch., et al., 2007. Calibración y validación de
Modelo CERES-trigo para simular agua y nutrientes en Alemania. En:
Kersebaum, K.Ch. (Ed.), Modelización de la dinámica del agua y los nutrientes en el suelo? Cultivo
Sistemas. Springer, 161-181.
Nielsen, D., Miceli-García, JJ, Lyon, JD, 2012. Índice de cobertura del dosel y área foliar
relaciones para el trigo, el triticale y el maíz. Agron. J. 104, 1569-1573.
Nilson, T., Kuusk, A., 2004. Algoritmo mejorado para estimar índices de dosel a partir de
datos de fracciones de brecha en las copas de los bosques. Agric. Para. Meteorol. 124 (3), 157-169.
Ozdemir, I., 2014. Transformación lineal para minimizar los efectos de la variabilidad en
sotobosque para estimar el porcentaje de cobertura del dosel de árboles utilizando datos de RapidEye. GISci.
Remote Sens. 51, 288–300.
Quaranta, F., Belocchi, A., Fornara, M., Ripa, C., D'Egidio, MG, 2015. Le varietà di
frumento duro en Italia — Risultati della rete nazionale di sperimentazione
1999-2012. Editor: Consiglio per la Ricerca e la Sperimentazione in Agricoltura,
Roma — Italia, ISBN: 978-88-97081-31-9.
Raes, D., Steduto, P., Hsiao, TC, Fereres, E., 2009. AquaCrop: el modelo de cultivo de la FAO para
simular la respuesta del rendimiento al agua: II. Principales algoritmos y descripción del software.
Agron. J. 101 (3), 438–447.
Raes, D., Steduto, P., Hsiao, TC, Fereres, E., 2012. Manual de referencia AquaCrop
Versión 4.0 FAO. División de Tierras y Aguas Roma, Italia.
Rinaldi, M., Castrignanò, A., De Benedetto, D., Sollitto, D., Ruggieri, S., Garofalo, P.,
Santoro, F., Figorito, B., Gualano, S., Tamborrino, R., 2015. Discriminación de
plantas de tomate bajo diferentes regímenes de riego: análisis de hiperespectral
datos del sensor . Environmetrics 26 (2), 77–88.
Ross, J., 1981. The Radiation Regime and the Architecture of Plant Stands, Dr. W.
Junk Publishers, La Haya-Boston-Londres, 381 págs.
Rouse, JW, Haas, RH, Deering, DW Schell, JA, Harlan, JC, 1974. Monitoreo
el avance y retrogradación primaveral (efecto de onda verde) de la naturaleza
vegetación. Informe final de NASA / GSFC Tipo III, Greenbelt, MD, EE. UU.
Salazar, O., Wesstrom, I., Youssef, MA, Skaggs, RW, Joel, A., 2009. Evaluación de
el modelo DRAINMOD-N II para predecir las pérdidas de nitrógeno en arena arcillosa bajo
cultivo en el sureste de Suecia. Agric. Manejo del agua. 96 (2), 267-281.
Saxton, KE, Rawls, WJ, Romberger, JS, Papendick, RI, 1986. Estimación
características generalizadas del suelo-agua a partir de la textura. Ciencia del suelo. Soc. Soy. J. 50,
1031 –1036.
Saxton, KE, Rawls, WJ, 2006. Estimaciones de las características del agua del suelo por textura y
materia orgánica para soluciones hidrológicas. Ciencia del suelo. Soc. Soy. J. 70, 1569-1578.
Schneider, K., Mauser, W., 2001. Utilizando datos de teledetección para modelar el agua,
flujos de carbono y nitrógeno con PROMET-V. Teledetección Europto.
Sociedad Internacional de Óptica y Fotónica, 12–23.
Semaika, M., Rady, AH, 1987. Factores que afectan el coeficiente de cultivo al calcular
Evapotranspiración de cultivos , riego y asignación de agua. Actas de la
Simposio de Vancouver , IAHS Publ. No. 169.
Steduto, P., Hsiao, TC, Raes, D., Fereres, E., 2009. AquaCrop: el modelo de cultivo de la FAO para
simular la respuesta del rendimiento al agua: I: conceptos y principios subyacentes. Agron.
J . 101, 426–437.
Steduto, P., Raes, D., Hsiao, TC, Fereres, E., Heng, L., Izzi, G., Hoogeveen, J., 2008.
AquaCrop: un nuevo modelo para la predicción de cultivos en condiciones de déficit hídrico.
Opciones Méditerr. Ser. A 80.
Stenberg, P., Rautiainen, M., Manninen, T., Voipio, P., Smolander, H., 2004. Reducido
relación simple mejor que NDVI para estimar el LAI en pino y abeto finlandeses
se levanta. Silva Fennica 38, 3-14.
Tarantino, E., Novelli, A., Laterza, M., Gioia, A., 2015a. Prueba de alta resolución espacial
Imágenes de WorldView-2 para recuperar el índice del área de la hoja. Tercera Internacional
Jornada sobre Teledetección y Geoinformación del Medio Ambiente.
Sociedad Internacional de Óptica y Fotónica, págs. 95351N-95351N-95358.
Tarantino, E., Novelli, A., Laterza, M., Gioia, A., 2015b. Prueba de alta resolución espacial
Imágenes de WorldView-2 para recuperar el índice del área de la hoja. Tercera Internacional
Jornada sobre Teledetección y Geoinformación del Medio Ambiente
Sociedad Internacional de Óptica y Fotónica (págs. 95351N-95351N).
Ungaro, F., Calzolari, C., 2001. Uso de bases de datos de suelos existentes para estimar la retención
propiedades para suelos de la región de Pianura Padano-Veneta del norte de Italia.
Geoderma 99, 99-121.
Van Dam, J., Huygen, J., Wesseling, J., Feddes, R., Kabat, P., Van Walsum, P.,
Groenendijk, P., Van Diepen, C., 1997. Teoría de SWAP versión 2.0. Técnico
Documento 45, 167.
van der Knijff, JM, Jones, RJA, Montanarella, L., 2000. Riesgo de erosión del suelo
Evaluación en Europa Comisión Europea Dirección General CCI, Conjunto
Centro de Investigación, Instituto de Aplicaciones Espaciales, Oficina Europea de Suelos.
Verhoef, W., 1984. Dispersión de la luz por capas de hojas con aplicación al dosel.
modelado de reflectancia : el modelo SAIL. Ambiente Sens. Remoto. 16, 125-141.
Wang, Q., Adiku, S., Tenhunen, J., Granier, A., 2005. Sobre la relación de NDVI
con índice de área foliar en un sitio de bosque caducifolio. Ambiente Sens. Remoto. 94 (2),
244 –255.
Página 13
316
A. Trombetta y col. / Gestión del agua agrícola 164 (2016) 304–316
Weiss, M., Baret, F., Myneni, RB, Pragnère, A., Knyazikhin, Y., 2000. Investigación de
una técnica de inversión de modelos para estimar las variables biofísicas del dosel a partir de
datos de reflectancia espectral y direccional. Agronomie 20, 3-22.
Weiss, M., Troufleau, D., Baret, F., Chauki, H., Prévot, L., Olioso, A., Bruguier, N.,
Brisson, N., 2001. Funcionamiento de la marquesina de acoplamiento y modelos de transferencia radiativa.
para la asimilación de datos de teledetección. Agric. Para. Meteorol. 108, 113-128.
Xiong, X., Barnes, W., 2006. Una descripción general de la calibración radiométrica MODIS y
caracterización. Adv. Atmos. Sci. 23, 69–79.
Xu, W., Jiang, H., Huang, J., 2011. Evaluación del rendimiento de cultivos regionales mediante la combinación de
un modelo de crecimiento de cultivos e información fenológica derivada de MODIS. Sens.
Lett . 9, 981–989.
Zheng, G., Moskal, LM, 2009. Recuperación del índice de área foliar (LAI) utilizando
sensing: teorías, métodos y sensores. Sensores 9, 2719–2745.
Otras lecturas
Allen, RG, Pruitt, WO, Wright, JL, Howell, TA, Ventura, F., Sny-
der, R., Itenfisu, D., Steduto, P., Berengena, J., Yrisarry, JB, Smith, M.,
Pereira, LS, Raes, D., Perrier, A., Alves, I., Walter, I., Elliott, R., 2006. A
recomendación sobre la resistencia superficial estandarizada para cal-
culación de ETo de referencia por el método FAO56 Penman-Monteith.
Agric. Manejo del agua. 81, 1–22.
Carreiras, JM, Pereira, JM, Pereira, JS, 2006. Estimación de árbol
cubierta de dosel en bosques de robles de hoja perenne mediante sensores remotos.
Para. Ecol. Administrar. 223, 45–53.
Coulston, JW, Jacobs, DM, King, CR, Elmore, IC, 2013. El
influencia de las imágenes de varias estaciones en los modelos de cubierta de dosel. Pho-
togramm. Eng. Remote Sens. 79, 469–477.
Erfanifard, Y., Khodaei, Z., Shamsi, RF, 2014. Un enfoque sólido
para generar mapas de cobertura de dosel utilizando ortoim-
edad clasificada por máquinas de vectores de apoyo en los bosques de Zagros,
Irán occidental. EUR. J. Remote Sens. 47, 773–792.
Klemeš, V., 1986. Pruebas operativas de simulación hidrológica
modelos. Hydrol. Sci. J. 31, 13-24.
Jones, JW, Hoogenboom, G., Porter, CH, Boote, KJ, Batchelor,
WD, Hunt, L., Wilkens, PW, Singh, U., Gijsman, AJ, Ritchie, JT,
2003. El modelo del sistema de cultivo DSSAT. EUR. J. Agron. 18, 235-265.
Knyazikhin, Y., Glassy, ​​J., Privette, JL, Tian, ​​Y., Lotsch, A., Zhang,
Y., Wang, Y., Morisette, JT, Votava, P., Myneni, RB, Nemani, RR,
Running, SW, 1999. Índice de área foliar MODIS (LAI) y fracción de
Radiación fotosintéticamente activa absorbida por la vegetación (FPAR)
Producto (MOD15) Algoritmo, Documento de base teórica. NASA
Centro de vuelo espacial Goddard, Greenbelt, MD 20771, EE. UU.
Korhonen, L., Korhonen, KT, Rautiainen, M., Stenberg, P., 2006.
Estimación de la cobertura del dosel del bosque: una comparación de las medidas de campo
técnicas de ment. Silva Fennica 40, 577.
Penman, HL, 1948. Evaporación natural de aguas abiertas, desnudo
suelo y pasto. Proc. R. Soc. Lond., Ser. A 193, 120-145.
Samani Majd, AM, Bleiweiss, MP, DuBois, D., Shukla, MK,
2013. Estimación de la cobertura de dosel fraccional de los huertos de nueces
utilizando datos satelitales Landsat 5, imágenes aéreas y suelo del huerto
fotografías. En t. J. Remote Sens. 34, 5937–5952.
Tabari, H., Grismer, ME, Trajkovic, S., 2013. Análisis comparativo
Análisis de 31 métodos de evapotranspiración de referencia en condiciones húmedas.
condiciones. Irrig. Sci. 31, 107-117.
Williams, MS, Patterson, PL, Mowrer, HT, 2003. Comparación
de métodos de muestreo del suelo para estimar la cobertura del dosel. Para. Sci.
49, 235–246.

Texto original

Sugiere una traducción mejor