Detección del máximo verdor en maíz (Zea mays) mediante series temporales de datos MODIS en la parroquia Colonche de la provincia de Santa Elena
DOI:
https://doi.org/10.26423/2qzfg896Palabras clave:
año medio , dinámica de la vegetación, NDVI, teledetecciónResumen
El objetivo de la investigación fue detectar el momento del máximo verdor del maíz en la parroquia Colonche, Ecuador, mediante series temporales del Índice de Vegetación de Diferencia Normalizada derivadas del sensor MODIS. Se analizó 1.043 imágenes del producto MOD09A1.V061 correspondientes a 2001–2023, se generó series temporales a partir de centroides de 200 parcelas clasificadas como maíz. Para mejorar la calidad a los datos se aplicó un suavizado y filtro de Savitzky–Golay, el análisis estadístico incluyó la función de autocorrelación, prueba Q de Ljung–Box, periodograma y cálculo del año medio mediante tablas de Buys–Ballot. El NDVI presentó un patrón unimodal, con un máximo de 0,64 (IC95% ± 0,037) y una variabilidad interanual entre 0,50 y 0,82. El máximo verdor ocurrió el 22 de marzo, coincidiendo con la fase de mayor vigor vegetativo y el valor más bajo (0,20) reportado el 24 de octubre. Los resultados aportan información útil para optimizar calendarios de fertilización, manejo sanitario y estimación de cosecha. Este estudio constituye la primera caracterización basada en más de dos décadas de datos MODIS para el cultivo de maíz en la parroquia Colonche.
Descargas
Referencias
1. Espinoza, Í. F., Barrera, A. E., Sánchez, A. R., Medina, M. L., & García, A. R. (2023). Elaboración de ensilaje de maíz forrajero (Zea mays) y residuos de banano verde (Musa paradisiaca) para ovinos tropicales. Ciencia Latina Revista Científica Multidisciplinar, 7(5), 2817–2828. https://doi.org/10.37811/cl_rcm.v7i5.7921 DOI: https://doi.org/10.37811/cl_rcm.v7i5.7921
2. Paredes, M., & Díaz, M. (2023). Sustitución del pienso de finalización por maíz amarillo en pollos criollos. Revista de Investigaciones Veterinarias del Perú, 34(1), e24612. https://doi.org/10.15381/rivep.v34i1.24612 DOI: https://doi.org/10.15381/rivep.v34i1.24612
3. Arizala, J., Nemocón-Cobos, A. M., Posada-Ochoa, S. L., & Mahecha-Ledesma, L. (2022). Producción, calidad de leche y análisis económico de vacas Holstein suplementadas con ensilaje de botón de oro (Tithonia diversifolia) o ensilaje de maíz. Biotecnología en el Sector Agropecuario y Agroindustrial, 20(1), 27–40. https://doi.org/10.18684/rbsaa.v20.n1.2022.1535 DOI: https://doi.org/10.18684/rbsaa.v20.n1.2022.1535
4. García, D. C., Soto, J. C., Lozano, N. A., Yucailla, V. A., Tobar, A. C., & Orozco, R. L. (2025). Evaluación productiva de cabritos criollos (Capra hircus) con suplementación de alimento balanceado y forraje verde hidropónico de maíz y el efecto sobre los parámetros orgonométricos. Archivos de Zootecnia, 74(286), 107–114. https://dialnet.unirioja.es/servlet/articulo?codigo=10222961 DOI: https://doi.org/10.21071/az.v74i286.6009
5. Tucker, C. J. (1979). Red and photographic infrared linear combinations for monitoring vegetation. Remote Sensing of Environment, 8(2), 127–150. https://doi.org/10.1016/0034-4257(79)90013-0 DOI: https://doi.org/10.1016/0034-4257(79)90013-0
6. Savitzky, A., & Golay, M. J. E. (1964). Smoothing and differentiation of data by simplified least squares procedures. Analytical Chemistry, 36(8), 1627–1639. https://doi.org/10.1021/ac60214a047 DOI: https://doi.org/10.1021/ac60214a047
7. Wang, C., Cui, A., Ji, R., Huang, S., Li, P., Chen, N., & Shao, Z. (2025). Spatiotemporal responses of global vegetation growth to terrestrial water storage. Remote Sensing, 17(10), 1701. https://doi.org/10.3390/rs17101701 DOI: https://doi.org/10.3390/rs17101701
8. Ljung, G. M., & Box, G. E. P. (1978). On a measure of lack of fit in time series models. Biometrika, 65(2), 297–303. https://doi.org/10.1093/biomet/65.2.297 DOI: https://doi.org/10.1093/biomet/65.2.297
9. Buys-Ballot, C. H. D. (1847). Les changements périodiques de température, dépendants de la nature du soleil et de la lune, mis en rapport avec le pronostic du temps, déduits d’observations néerlandaises de 1729 à 1846. Kemink. https://play.google.com/store/books/details?id=DIs_AAAAcAAJ
10. Santana, C. T. C., Sanches, I. D., Caldas, M. M., & Adami, M. (2024). A Method for Estimating Soybean Sowing, Beginning Seed, and Harvesting Dates in Brazil Using NDVI-MODIS Data. Remote Sensing, 16(14), 2520. https://doi.org/10.3390/rs16142520 DOI: https://doi.org/10.3390/rs16142520
11. Instituto Nacional de Meteorología e Hidrología. (2017). Anuario meteorológico 2013. INAMHI. Fecha de acceso: 15 de mayo de 2025). https://servicios.inamhi.gob.ec/anuarios-metereologicos/
12. Ministerio de Agricultura y Ganadería. (2025). Catálogo de datos abiertos. MAG. (Fecha de acceso: 10 de mayo de 2025). https://www.datosabiertos.gob.ec/dataset/?q=MAIZ
13. Vermote, E. (2021). MODIS/Terra Surface Reflectance 8-Day L3 Global 500m SIN Grid V061 [Base de datos]. NASA Land Processes Distributed Active Archive Center. (Fecha de acceso: 20 de mayo de 2025). https://doi.org/10.5067/MODIS/MOD09A1.061
14. Bouskour, S., Zaggaf, M. H., Bahatti, L., & Zayrit, S. (2024). MODIS-NDVI and wheat yield patterns and predictions in Taounate, Morocco. Indonesian Journal of Electrical Engineering and Computer Science, 37(1), 648–659*. http://doi.org/10.11591/ijeecs.v37.i1.pp648-659 DOI: https://doi.org/10.11591/ijeecs.v37.i1.pp648-659
15. Patil, P. P., Jagtap, M. P., Khatri, N., Madan, H., Vadduri, A. A., & Patodia, T. (2024). Exploration and advancement of NDDI leveraging NDVI and NDWI in Indian semi-arid regions: A remote-sensing-based study. Case Studies in Chemical and Environmental Engineering, 9, 100573. https://doi.org/10.1016/j.cscee.2023.100573 DOI: https://doi.org/10.1016/j.cscee.2023.100573
16. Zhang, T. T., Qi, J. G., Gao, Y., Ouyang, Z. T., Zeng, S. L., & Zhao, B. (2015). Detecting soil salinity with MODIS time series VI data. Ecological Indicators, 52, 480–489. https://doi.org/10.1016/j.ecolind.2015.01.004 DOI: https://doi.org/10.1016/j.ecolind.2015.01.004
17. Cai, Y., Lin, H., & Zhang, M. (2019). Mapping paddy rice by the object-based random forest method using time series Sentinel-1/Sentinel-2 data. Advances in Space Research, 64(11), 2233–2244. https://doi.org/10.1016/j.asr.2019.08.042 DOI: https://doi.org/10.1016/j.asr.2019.08.042
18. Cao, R., Chen, Y., Shen, M., Chen, J., Zhou, J., Wang, C., & Yang, W. (2018). A simple method to improve the quality of NDVI time-series data by integrating spatiotemporal information with the Savitzky-Golay filter. Remote Sensing of Environment, 217, 244–257. https://doi.org/10.1016/j.rse.2018.08.022 DOI: https://doi.org/10.1016/j.rse.2018.08.022
19. Hamilton, J. D. (1994). Time series analysis. Princeton University Press. https://api.pageplace.de/preview/DT0400.9780691218632_A40156688/preview-9780691218632_A40156688.pdf DOI: https://doi.org/10.1515/9780691218632
20. Jeba, R. P., Kirthiga, S. M., Issac, A. M., Bindhu, V. M., Srinivasan, R., & Narasimhan, B. (2024). An improved framework for mapping and assessment of dynamics in cropping pattern and crop calendar from NDVI time series across a heterogeneous agro-climatic region. Environmental Monitoring and Assessment, 196(11), 1141. https://link.springer.com/article/10.1007/s10661-024-13270-1 DOI: https://doi.org/10.1007/s10661-024-13270-1
21. Dastigerdi, M., Nadi, M., Sarjaz, M. R., & Kiapasha, K. (2024). Trend analysis of MODIS NDVI time series and its relationship to temperature and precipitation in Northeastern of Iran. Environmental Monitoring and Assessment, 196(4), 346. https://link.springer.com/article/10.1007/s10661-024-12463-y DOI: https://doi.org/10.1007/s10661-024-12463-y
22. Jabal, Z. K., Khayyum, T. S., & Alwan, I. A. (2022). Impact of climate change on crop productivity using MODIS-NDVI time series. Civil Engineering Journal, 8(6), 1136–1156. https://doi.org/10.28991/CEJ-2022-08-06-04 DOI: https://doi.org/10.28991/CEJ-2022-08-06-04
23. Sáenz, C., Cicuéndez, V., Recuero, L., Wiese, K., Palacios-Orueta, A., & Litago, J. (2023). Analysis and Modeling of Rainfed Crops Dynamics Based on NDVI Time Series in Central Spain. IntechOpen. https://www.intechopen.com/chapters/1155570 DOI: https://doi.org/10.5772/intechopen.1002538
24. Yuan, Z., Bao, G., Dorjsuren, A., Oyont, A., Chen, J., Li, F., Dong, G., Guo, E., Shao, C., & Du, L. (2024). Climatic constraints of spring phenology on the Mongolian Plateau (1982–2021). Journal of Geophysical Research: Biogeosciences, 129(2), e2023JG007689. https://doi.org/10.1029/2023JG007689 DOI: https://doi.org/10.1029/2023JG007689
25. Sáenz, C., Cicuéndez, V., García, G., Madruga, D., Recuero, L., Bermejo-Saiz, A., Litago, J., de la Calle, I., & Palacios-Orueta, A. (2024). New Insights on the Information Content of the Normalized Difference Vegetation Index Sentinel-2 Time Series for Assessing Vegetation Dynamics. Remote Sensing, 16(16), 2980. https://doi.org/10.3390/rs16162980 DOI: https://doi.org/10.3390/rs16162980
Publicado
Número
Sección
Licencia
Derechos de autor 2025 César Sáenz Flores; Julio César Villacrés
Esta obra está bajo una licencia internacional Creative Commons Atribución-NoComercial-CompartirIgual 4.0.
El titular de los derechos de autor de la obra, otorga derechos de uso a los lectores mediante la licencia Creative Commons Atribución-NoComercial-CompartirIgual 4.0 Internacional. Esto permite el acceso gratuito inmediato a la obra y permite a cualquier usuario leer, descargar, copiar, distribuir, imprimir, buscar o vincular a los textos completos de los artículos, rastrearlos para su indexación, pasarlos como datos al software o usarlos para cualquier otro propósito legal.
Cuando la obra es aprobada y aceptada para su publicación, los autores conservan los derechos de autor sin restricciones, cediendo únicamente los derechos de reproducción, distribución para su explotación en formato de papel, así como en cualquier otro soporte magnético, óptico y digital.
