EVALUACIÓN DEL NDVI EN CAFÉ COFFEA ARABICA A TRAVÉS DE DIFERENTES SENSORES

Autores/as

DOI:

https://doi.org/10.47847/

Palabras clave:

agricultura de precisión, Coffea arabica, percepción remota, sensores, teledetección

Resumen

La agricultura enfrenta actualmente desafíos cada vez mayores para garantizar su sostenibilidad y productividad. En este contexto, la gestión eficiente de la información se consolida como una herramienta fundamental para optimizar la toma de decisiones. En el presente estudio se evaluó la eficiencia de dos tipos de sensores en la recolección de datos en un cultivo de café (Coffea arabica), mediante la estimación del índice de vegetación de diferencia normalizada (NDVI) en distintas etapas fenológicas. Se compararon un sensor de contacto (PlantPen NDVI 310) y un sensor remoto acoplado a un vehículo aéreo no tripulado (High Precision Single Sensor NDVI - Sentera). El experimento se desarrolló en un lote de café de la variedad Cenicafé 1, ubicado en el municipio de Consacá, departamento de Nariño, considerando tres momentos de evaluación durante la fase reproductiva. Se aplicaron análisis descriptivos, de distribución de frecuencias e interpolación espacial para comparar los resultados obtenidos por ambos métodos. Los datos revelaron que ambos sensores registraron tendencias similares en las variaciones del NDVI asociadas al desarrollo y vigor del cultivo. No obstante, se evidenció la necesidad de utilizar ambos métodos de manera complementaria para mejorar la interpretación del estado fisiológico del cultivo, dado que cada tecnología presenta ventajas y limitaciones específicas en términos de eficiencia y aplicabilidad.

Descargas

Los datos de descarga aún no están disponibles.

Referencias

Alcaldía municipal de Consacá, (2020). Plan de desarrollo municipio de Consacá 2020 –2023. https://alcaldiaconsacanarino.micolombiadigital.gov.co/sites/alcaldiaconsacanarino/content/files/000385/19246_plan-de-desarrollo-municipio-de-consaca-definitivo.pdf

Aluko, J., Kumar, R., & Zhang, Y. (2021). Understanding source–sink dynamics in crop plants for improved productivity. Physiologia Plantarum, 173(2), 431–446.

https://doi.org/10.1111/ppl.13244

Ángeles, R., Geraldi, M., & Marini, F. (2020). Procesamiento digital de imágenes satelitales. Metodologías y técnicas.

http://hdl.handle.net/11336/135234

Centro Nacional de Investigaciones de Café – Cenicafé. (2022). Informe Anual Cenicafé 2022.

https://doi.org/10.38141/10783/2022

Centro Nacional de Investigaciones de Café. (2014). La fenología del café, una herramienta para apoyar la toma de decisiones. https://cenicafe.org/es/publications/avt0441.pdf

Chang, T. G., Zhu, X.-G., & Raines, C. A. (2017). Source–sink interaction: A century old concept under the light of modern molecular systems biology. Journal of Experimental Botany, 68(16), 4417–4431.

https://doi.org/10.1093/jxb/erx002

Chaves, J., & Sarruge, J. R. (1984). Alterações nas concentrações de macronutrientes nos frutos e folhas do cafeeiro durante um ciclo produtivo. Pesquisa Agropecuária Brasileira, 19(11), 1307–1312.

Cuervo, F. (2016). Utilización de imágenes multiespectrales para el análisis del comportamiento de la firma espectral del lago de Tota y la influencia de los cultivos de cebolla. Universidad Militar Nueva Granada.

http://hdl.handle.net/10654/15602

Federación Nacional de Cafeteros de Colombia – FNC (2022). Café de Nariño: Datos de interés.

https://narino.federaciondecafeteros.org/narino/

Fuentes, F., Ortega, S., Rivera, M., Bardeen, M., & Moreno, M. (2019). Comparison of vegetation indices acquired from RGB and multispectral sensors placed on UAV. IEEE Conference Proceedings.

https://doi.org/10.1109/ICA-ACCA.2018.8609861

Herrera, E. (2019). La revolución tecnológica en el campo. Razón Pública.

https://razonpublica.com/como-promover-la-innovacion-tecnologica-en-el-campo-economia-naranja-rural-y-agrotech/

Laviola, B. G., Martinez, H. E. P., Salomão, L. C. C., Cruz, C. D., & Mendonça, S. M. (2007). Acúmulo de nutrientes em frutos de cafeeiro em quatro altitudes de cultivo: cálcio, magnésio e enxofre. Revista brasileira de ciência do solo, 31, 1451-1462. https://doi.org/10.1590/S0100-06832007000600022

Martin, K., Hodgen, P., Freeman, K., Melchiori, R., Arnall, D., Teal, R., ... & Raun, W. (2005). Plant-to-plant variability in corn production. Agronomy Journal, 97(5), 1603–1611.

https://doi.org/10.2134/agronj2005.0129

Meneses, V., Velásquez, D., & Téllez, J. (2016). Sistema de optimización de las técnicas de planificación en agricultura de precisión por medio de drones. Universidad Nacional de Colombia.

Muñoz, P. (2013). Apuntes de teledetección: Índices de vegetación. Centro de Información de Recursos Naturales (CIREN).

https://bibliotecadigital.ciren.cl/handle/20.500.13082/26389

Parlamento Europeo. (2021). La inteligencia artificial y su uso. Construir un sistema alimentario sostenible: la estrategia de la UE. https://www.europarl.europa.eu/news/es/headlines/society/20200827STO85804/que-es-la-inteligencia-artificial-y-como-se-usa

Organización de las Naciones Unidas para la Alimentación y la Agricultura. (2015). Objetivos de Desarrollo Sostenible. https://www.fao.org/sustainable-development-goals/overview/fao-and-post-2015/sustainable-agriculture/es/

Osorio, S., Ruan, Y.-L., & Fernie, A. R. (2014). An update on source-to-sink carbon partitioning in tomato. Frontiers in Plant Science, 5, 516.

https://doi.org/10.3389/fpls.2014.00516

Rivera, L., Montoya, B., & Obando, F. (2019). Procesamiento de imágenes multiespectrales captadas con drones para evaluar el NDVI en plantaciones de café variedad Castillo. Revista Colombiana de Tecnologías de Avanzada, 22(1).

https://doi.org/10.21930/rcta.vol22_num1_art:1578

Rodrigues, J., Inzé, D., Nelissen, H., & Saibo, N. J. M. (2019). Source–sink regulation in crops under water deficit. Trends in Plant Science, 24(7), 652–663.

https://doi.org/10.1016/j.tplants.2019.04.005

Rossius, S. (2012). Reconocimiento de objetos mediante webcam en tiempo real. Universitat Politècnica de València.

https://riunet.upv.es/handle/10251/29009

Sadeghian, S., & Salamanca, J. (2015). Micronutrientes en frutos y hojas de café. Cenicafé.

https://www.cenicafe.org/es/publications/5.Micronutrientes.pdf

Samborski, S. M., Tremblay, N., & Fallon, E. (2009). Strategies to make use of plant sensors-based diagnostic information for nitrogen recommendation. Agronomy Journal, 101(4), 800–816. https://doi.org/10.2134/agronj2008.0162Rx

Schiaffino, M. (2006). Navegación autónoma basada en visión estereoscópica y lógica difusa. Universidad Tecnológica Nacional.

https://tesis.blanque.com.ar/tesis/Home_files/Tesis_Paula_Schiaffino.pdf

Sishodia, R., Ram, R., & Ray, S. S. (2020). Applications of remote sensing in precision agriculture: A review. Remote Sensing, 12(19), 3136.

https://doi.org/10.3390/rs12193136

Soubry, I., Patias, P., & Tsioukas, V. (2017). Monitoring vineyards with UAV and multi-sensors for the assessment of water stress and grape maturity. International Archives of the Photogrammetry, Remote Sensing and Spatial Information Sciences.

https://api.semanticscholar.org/CorpusID:131807485

Valarini, V., Bataglia, O., & Fazuoli, L. (2005). Macronutrientes em folhas e frutos de cultivares de café arábica de porte baixo. Bragantia, 64(3), 333–340.

https://www.scielo.br/j/brag/a/yqjJcLv8xqkCjDjP4NBCrtP/

Zúñiga, J. (2018). Application of remote sensors for analysis of the vegetative state of oil palm cultivation by means of the NDVI and spectral signatures. Repositorio UNAD.

http://hdl.handle.net/10654/20387

Descargas

Publicado

2025-08-27

Número

Sección

Artículos de Investigación Científica y Tecnológica

Cómo citar

EVALUACIÓN DEL NDVI EN CAFÉ COFFEA ARABICA A TRAVÉS DE DIFERENTES SENSORES. (2025). Revista Facultad De Ciencias Agropecuarias -FAGROPEC, 17(1), 49-62. https://doi.org/10.47847/

Artículos más leídos del mismo autor/a

1 2 > >>