Abril 2011, Arg<strong>en</strong>tina 47was based on Thermography Canopy temperature (TC) is known to be related to water status. In this case,images of the canopy of the vineyard were tak<strong>en</strong>, and the temperatures of each point of the assessed areawere recorded. Two regression models derived from the thermographic data: one of these models was asimple regression with TC vs. Ψ L ; and the other was a multiple regression, including temperature, thereflectance indices NDVI (R 900 -R 680 /R 900 +R 680 ) and WI (R 900 /R 970 ). The assessm<strong>en</strong>t took place in aMalbec vineyard, in M<strong>en</strong>doza, Arg<strong>en</strong>tina. Reflectance was measured during the morning and Ψ L at noon,just at the same time as the images were tak<strong>en</strong>. By PLS, using reflectances from 325 to 1075 nm, Ψ L couldbe estimated. With simple and multiple regressions the following equations were obtained: Ψ L = -1.21659+ 0.445078 * Tº; R 2 =0,19 and Ψ L = 1,83399 - 0,613766 * NDVI + 0,0447517 * TC -1,45787 * WI, R 2 =0,36, p = 0,0000. Wh<strong>en</strong> the observed and estimated Ψ L obtained by the three procedures were mapped bykrigging in order to analyze the likelihood betwe<strong>en</strong> the spatial distributions, a high level of similarity wasfound, dispite the low regression coeffici<strong>en</strong>ts. Apar<strong>en</strong>tly, the maps include spacial information that is abs<strong>en</strong>tin the regressions. Higher likelihood was found betwe<strong>en</strong> the measured Ψ L and the estimated by PLS, wh<strong>en</strong>compared to the other methods.Key words: reflectance, thermography, PLS, Precision Viticulture.INTRODUCCIÓNEl pot<strong>en</strong>cial hídrico foliar (Ψ L ) es una variable comúnm<strong>en</strong>teutilizada para evaluar el estado hídrico de lasplantas de vid (Williams y Araujo, 2002; Schultz, 2003). Elmétodo estándar para realizar esta medición es el de lacámara de presión (Scholander et al., 1965) que brindavalores precisos del Ψ L , pero ti<strong>en</strong>e la desv<strong>en</strong>taja de serdestructivo y l<strong>en</strong>to. Por esto resulta poco práctico a lahora de medir grandes superficies como se requiere <strong>en</strong>la viticultura de precisión. Dada la variabilidad espacialque pres<strong>en</strong>tan los viñedos, la estimación remota delpot<strong>en</strong>cial hídrico se convierte <strong>en</strong> una herrami<strong>en</strong>ta fundam<strong>en</strong>talpara diseñar estrategias de riego sitio específicas,importantes para optimizar la producción y la calidad dela uva (Rodríguez-Pérez et al., 2007).En la viticultura de precisión se necesitan medicionesrápidas como las que brinda la medición espectral. Estatecnología es interesante ya que permite estimar,mediante mediciones de reflectancia, la proporción de la<strong>en</strong>ergía incid<strong>en</strong>te que es reflejada por un objeto (<strong>en</strong> estecaso la cubierta vegetal), pigm<strong>en</strong>tos fotosintéticos, biomasade cultivos y constituy<strong>en</strong>tes minerales del suelo(He et al., 2005; Raun et.al., 2001; Brown et al., 2006).Los tejidos vegetales fotosintéticos reflejan una baja proporciónde la <strong>en</strong>ergía incid<strong>en</strong>te <strong>en</strong> las longitudes de ondadel visible, si se compara con la que se produce <strong>en</strong> laslongitudes de onda no visibles del infrarrojo cercano(NIR). Una planta estresada o s<strong>en</strong>esc<strong>en</strong>te pres<strong>en</strong>ta unam<strong>en</strong>or reflectancia <strong>en</strong> el NIR que una planta no estresada(Pinter et al., 2003).La espectrometría es una técnica que también se usa<strong>en</strong> laboratorio, donde acorta tiempos y evita el uso dereactivos químicos para analizar distintos productos. Lasmuestras no se destruy<strong>en</strong> durante su análisis y variosconstituy<strong>en</strong>tes pued<strong>en</strong> determinarse simultáneam<strong>en</strong>te(Cozzolino et al., 2003; Batt<strong>en</strong>, 1998, Schmilovitch et al.,2000; He et al., 2005).Para su interpretación, las mediciones espectralesrequier<strong>en</strong> algún tipo de análisis o calibración.Clásicam<strong>en</strong>te, el uso de s<strong>en</strong>sores multiespectrales <strong>en</strong>teledetección se ha complem<strong>en</strong>tado con índices de vegetaciónque combinan los valores de reflectancia <strong>en</strong> dos omás longitudes de onda del espectro. Exist<strong>en</strong> diversosíndices calculados a partir de estos datos. Entre los máscomúnm<strong>en</strong>te utilizados se <strong>en</strong>cu<strong>en</strong>tra el índice normalizadode vegetación (NDVI) que permite estimar la biomasade cultivos (Lokupitiya et. al., 2010) . Este índice se calculaa partir de la difer<strong>en</strong>cia de las reflectancias <strong>en</strong> NIR(R 900 nm) y <strong>en</strong> rojo (R; R 680 ), dividido por la suma de lasmismas. Exist<strong>en</strong> otros índices que se utilizan para estimarel estado hídrico <strong>en</strong> difer<strong>en</strong>tes tejidos y plantas(Pinter et al., 2003). Uno de los más usados es el índicede estado hídrico (WI; Peñuelas et al., 1993; Pinter et al.,2003), que es el coci<strong>en</strong>te <strong>en</strong>tre la reflectancia a 900 nmy a 970 nm. Rodríguez-Pérez et al. (2007) probaronvarios índices para estado hídrico calculados a partir delespectro de reflectancia y obtuvieron correlaciones <strong>en</strong>tre0,477 y 0,619, con variables fisiológicas como Ψ L y cont<strong>en</strong>idorelativo de agua.Los s<strong>en</strong>sores hiperespectrales, por otro lado, pued<strong>en</strong>ser útiles para estimar el estado hídrico y se han utilizado<strong>en</strong> cultivos como trigo (Fitzgerald et al., 2006) y vid(Rodríguez-Pérez et al., 2007); pero para poder analizarun gran número de variables <strong>en</strong> forma conjunta seVILA H1, 2 .; HUGALDE I 1 .; DI FILIPPO M 1 .
48 ARTÍCULOS<strong>RIA</strong> / Vol. 37 N.À1Entre éstas, una de las más usadas es la regresión deCuadrados Mínimos Parciales (PLS). Diversos autoreshan probado que este método de calibración puede estimar<strong>en</strong> el laboratorio compon<strong>en</strong>tes de calidad de frutos,como sólidos solubles, pH, color y propiedades físicascomo fuerza de compresión (He et al., 2005,Schmilovitch et al., 2000, Bureau et al., 2008).El análisis de PLS es un método de construcción deecuaciones de regresión que se utiliza cuando el númerode variables indep<strong>en</strong>di<strong>en</strong>tes es mucho mayor al númerode casos, si<strong>en</strong>do las variables no indep<strong>en</strong>di<strong>en</strong>tes <strong>en</strong>tresí (Hoskuldsson, 1988). Para obt<strong>en</strong>er una relación <strong>en</strong>trela o las variables dep<strong>en</strong>di<strong>en</strong>tes y las variables explicativas,el análisis construye nuevas variables llamadaslat<strong>en</strong>tes o compon<strong>en</strong>tes, donde cada una es una combinaciónlineal de las variables explicativas originales.Luego, por regresión, se determinan ecuaciones querelacionan los compon<strong>en</strong>tes con las variables respuesta(Garthwaite, 1994; Abdi, 2007). Los compon<strong>en</strong>tes formadoscapturan la máxima información de las variablesindep<strong>en</strong>di<strong>en</strong>tes para predecir con mayor precisión lasvariables dep<strong>en</strong>di<strong>en</strong>tes. El método ti<strong>en</strong>e la desv<strong>en</strong>taja deque la elección del número de compon<strong>en</strong>tes es subjetiva.Esta elección debe ser cuidadosa, ya que el ajuste puedellegar a ser muy explicativo de los datos de calibración,pero t<strong>en</strong>er bajo nivel predictivo. Esta desv<strong>en</strong>taja puedeminimizarse mediante la validación cruzada que permitecomprobar el poder predictivo de la calibración. En 2003Hans<strong>en</strong> et al. midieron la biomasa de un cultivo de trigoa través de índices normalizados de vegetación y utilizandoPLS.Otra alternativa para estimar el estado hídrico de loscultivos por teledetección es la termografía infrarroja.Esta técnica consiste <strong>en</strong> obt<strong>en</strong>er imág<strong>en</strong>es que registranlas temperaturas de cada punto de una superficie dada.La Temperatura de la Canopia (TC) está relacionada conel estado hídrico de las plantas (Reynolds et al., 2007).Esto es debido al aum<strong>en</strong>to de temperatura que sufre lahoja cuando disminuye la transpiración como consecu<strong>en</strong>ciadel cierre estomático (Gardner et al., 1992b; Pinter etal., 2003; Jones et al., 2003; Coh<strong>en</strong> et al., 2005;Fitzgerald et al., 2006; Jones y Schofield, 2008).El objetivo del trabajo fue evaluar métodos alternativosa la cámara de presión -rápidos y no destructivos- quepermitan estimar el Ψ L , y conocer su pot<strong>en</strong>cialidad <strong>en</strong>viticultura de precisión. Para esto se compararon, <strong>en</strong> unviñedo, las mediciones de Ψ L realizadas con cámara depresión, con las estimaciones a partir de espectroradiómetroy termografía. Estas últimas se complem<strong>en</strong>taroncon métodos de análisis y calibración tales como índicesde vegetación, regresión simple y PLS.MATE<strong>RIA</strong>LES Y MÉTODOSEn el año 2009, durante el mes de <strong>en</strong>ero, se realizaronmedidas espectrales de reflectancia, imág<strong>en</strong>es termográficasy medidas de Ψ L <strong>en</strong> distintos puntos de un viñedo.El viñedo de 10 años era de la variedad Malbec y estabaubicado <strong>en</strong> la Estación Experim<strong>en</strong>tal AgropecuariaM<strong>en</strong>doza del <strong>INTA</strong>, <strong>en</strong> Luján de Cuyo. La conducción era<strong>en</strong> espaldero a 2,5 m <strong>en</strong>tre hileras y 1,5 m <strong>en</strong>tre plantas.El viñedo se regaba gravitacionalm<strong>en</strong>te cada 15 días ypres<strong>en</strong>taba una notoria heterog<strong>en</strong>eidad de expresiónvegetativa <strong>en</strong> el s<strong>en</strong>tido del riego. Las mediciones espectralesse tomaron <strong>en</strong>tre las 10:30 y las 12:00 h, <strong>en</strong> unaplanta cada 7,5 m, a lo largo de las 13 hileras (n = 210plantas). Se midió la reflectancia de las plantas <strong>en</strong>tre 350y 1075 nm (cada 1 nm) a 0,5 m de distancia del lateral delas canopias, <strong>en</strong> una superficie de 0,05 m 2 , con un espectroradiómetroFieldSpec UV/VNIR (Analytical and Spectraldevices Inc., Boulder, Colorado, USA). A continuación,<strong>en</strong>tre las 14:00 y las 16:00 h se midió el pot<strong>en</strong>cial hídricofoliar de mediodía (Ψmd) con cámara de presión(Biocontrol Inc., Arg<strong>en</strong>tina), y la TC con una cámara termográficaFluke TiR (Fluke Corporation, USA). Las 14:00h repres<strong>en</strong>taban, <strong>en</strong> M<strong>en</strong>doza, el medio día solar, ya queexistía un desfasaje <strong>en</strong>tre la hora legal y la solar. La TCse midió a 1 m de la canopia, obt<strong>en</strong>iéndose una imag<strong>en</strong>de 1 m 2 de canopia, con una resolución de 320 x 240pixeles. Estas últimas mediciones se tomaron <strong>en</strong> unaplanta cada 15 m <strong>en</strong> cada hilera (n=112). Las medicionesse hicieron <strong>en</strong> 2 días consecutivos y de característicasmuy similares <strong>en</strong> cuanto a luz, temperatura y humedad.Las imág<strong>en</strong>es termográficas se analizaron con el softwareSmart View 1.9 (Copyright © 2006-2007, Fluke corporation,USA) con el que se obtuvo el valor de TC mediade una superficie de alrededor de 40 x 20 cm, libre dehuecos de luz, repres<strong>en</strong>tativa de la canopia de cadaplanta. A partir de los espectros de reflectancia de lasplantas (figura 1) se calcularon los índices de vegetacióny de estado hídrico NDVI y WI. Previo a este cálculo, losespectros fueron sometidos a un método de suavizadopara eliminar picos anómalos que repres<strong>en</strong>taban ruidosinher<strong>en</strong>tes al equipo. Se consideraron picos anómalosaquellos cuyo valor de reflectancia era mayor a 3 desviacionesestándar de los 20 valores de reflectancia <strong>en</strong>torno al valor espectral dado. Cuando se detectaba unpico anómalo, su valor de reflectancia se reemplazabapor el promedio de las reflectancias de 20 valores <strong>en</strong>torno al valor espectral dado. Para el cálculo de regresionessimples y múltiples se utilizó el programaStatsGraphics plus para Windows 4.0 (StatisticalGraphics Corp., USA), utilizando como variables predictorasde Ψ L la TC y los índices espectrales (NDVI y WI).Por otra parte, los valores de reflectancia de las distintaslongitudes de onda se utilizaron como variables predictivaspara el análisis PLS. Se reservó fuera del análisisuna cantidad de 98 observaciones elegidas al azar,con el objeto de realizar una validación cruzada. Paraeste análisis se usó el programa Statistica 6.1 (StatSoft,Inc., 2003). Para seleccionar el número de compon<strong>en</strong>tesdel PLS se analizaron los valores de suma de cuadradosresiduales predichos (PRESS) que brindaron una medidade la confianza de la estimación. Se consideró que siEstimación de pot<strong>en</strong>cial hídrico <strong>en</strong> vid por medio de medidas termográficas y espectrales
- Page 7 and 8: 8 ACTUALIDAD EN I+DRIA / Vol. 37 N.
- Page 9 and 10: 10 ACTUALIDAD EN I+DRIA / Vol. 37 N
- Page 11 and 12: 12 ACTUALIDAD EN I+DRIA / Vol. 37 N
- Page 13 and 14: 14 ACTUALIDAD EN I+DRIA / Vol. 37 N
- Page 15 and 16: 16 ACTUALIDAD EN I+DRIA / Vol. 37 N
- Page 17 and 18: 18 ARTÍCULOSRIA / Vol. 37 N.À1Per
- Page 19: 20 ARTÍCULOSRIA / Vol. 37 N.À1Fig
- Page 22 and 23: Abril 2011, Argentina 23Tabla 3. Va
- Page 24 and 25: Abril 2011, Argentina 25publication
- Page 26 and 27: Abril 2011, Argentina 27ABSTRACTA s
- Page 28 and 29: Abril 2011, Argentina 29mientos, ca
- Page 30 and 31: Abril 2011, Argentina 31Cuadro 2: A
- Page 32 and 33: Abril 2011, Argentina 33Diagnóstic
- Page 34 and 35: Abril 2011, Argentina 35encuestados
- Page 36 and 37: Abril 2011, Argentina 37Contenido d
- Page 38 and 39: Abril 2011, Argentina 39de rebaje,
- Page 40 and 41: Abril 2011, Argentina 41Figura 3. C
- Page 42 and 43: Abril 2011, Argentina 43Tabla 2. Co
- Page 44 and 45: Abril 2011, Argentina 4525/02/2004)
- Page 48 and 49: Abril 2011, Argentina 49se obtenía
- Page 50 and 51: Abril 2011, Argentina 51Figura 5. R
- Page 52 and 53: Abril 2011, Argentina 53Technique.
- Page 54 and 55: Abril 2011, Argentina 55ABSTRACTThi
- Page 56 and 57: Abril 2011, Argentina 57Figura 1 y
- Page 58 and 59: Abril 2011, Argentina 59Tabla 3. N
- Page 60 and 61: Abril 2011, Argentina 61del fertili
- Page 62 and 63: Abril 2011, Argentina 63ABSTRACTThe
- Page 64 and 65: Abril 2011, Argentina 65de fósforo
- Page 66 and 67: Abril 2011, Argentina 67Figura 2a.F
- Page 68 and 69: Abril 2011, Argentina 69resultaron
- Page 70 and 71: Abril 2011, Argentina 71probablemen
- Page 72 and 73: Abril 2011, Argentina 73el tratamie
- Page 74 and 75: Abril 2011, Argentina 75Comparació
- Page 76 and 77: Abril 2011, Argentina 77de la estim
- Page 78 and 79: Abril 2011, Argentina 79Los valores
- Page 80 and 81: Abril 2011, Argentina 81Tabla 3: Co
- Page 82 and 83: Abril 2011, Argentina 83Figura 6: I
- Page 84 and 85: Abril 2011, Argentina 85Tabla 5bTab
- Page 86 and 87: Abril 2011, Argentina 87Se evaluaro
- Page 88 and 89: Abril 2011, Argentina 89RESULTADOS
- Page 90 and 91: Abril 2011, Argentina 91de trilha d
- Page 92 and 93: Abril 2011, Argentina 93INTRODUCCI
- Page 94 and 95: Abril 2011, Argentina 951.2. Rendim
- Page 96 and 97:
Abril 2011, Argentina 97Tratamiento
- Page 98 and 99:
Abril 2011, Argentina 99Líneas de
- Page 100 and 101:
Abril 2011, Argentina 101Se efectu
- Page 102 and 103:
Abril 2011, Argentina 103ción de E
- Page 104 and 105:
Abril 2011, Argentina 105La correla