Acceso usuarios
[1]
;
José Alfredo Montemayor Trejo
[1]
;
Ramón Trucíos Caciano
[2]
;
Juan Estrada Ávalos
[2]
;
Jorge Arnaldo Orozco Vidal
[1]
;
Pablo Yescas Coronado
[1]
México
México
El maíz (Zea mays L.) es un cultivo esencial a nivel mundial por su importancia en la seguridad alimentaria y la producción ganadera, cuyo rendimiento depende en gran medida del contenido de nitrógeno (N), nutriente clave en el proceso de la fotosíntesis y el desarrollo del grano. El objetivo del presente estudio fue evaluar la correlación entre diferentes índices de vegetación (IV) y el contenido de N en maíz forrajero híbrido (variedad N83N5), con el fin de optimizar su monitoreo mediante sensores remotos. La investigación se realizó en la Granja Palestina, Francisco I. Madero, Coahuila, México, utilizando imágenes de los sensores Sentinel-2A y 2B, así como del sensor Parrot Sequoia montado en un dron (VANT). Se obtuvieron veintiún índices de vegetación a partir de ambos sensores y se analizaron mediante modelos de regresión y análisis multivariado. Los resultados mostraron que la resolución espacial de las imágenes y la selección de índices de vegetación son determinantes para mejorar la precisión de los modelos de estimación del contenido de N. Para Sentinel-2, el mejor modelo (R2= 0.908) incluyó cinco índices (CCCI, TCARI/OSAVI RE, TCARI, MSAVI y MTCI), mientras que el sensor Sequoia mostró buen rendimiento con un modelo simple, usando GNDVI (R2= 0.814), SAVI (R2= 0.829), MSAVI (R2= 0.826) y NDVI (R2= 0.834). Se concluye que la selección del sensor y de los índices espectrales permite desarrollar metodologías precisas para el monitoreo del contenido de N en maíz, contribuyendo al avance de la agricultura de precisión.
Maize (Zea mays L.) is a globally important crop for food security and livestock production, and its yield strongly influenced by nitrogen (N) availability, a key nutrient involved photosynthesis and grain formation. This study aimed to evaluate the relationship between different vegetation indices (VIs) and N content in hybrid forage maize (variety N83N5), to optimize crop monitoring using remote sensing. The research was conducted at Granja Palestina, Francisco I. Madero, Coahuila, Mexico, using multispectral imagery from the Sentinel-2A and 2B satellites and a Parrot Sequoia sensor mounted on an unmanned aerial vehicle (UAV). A total of 21 VIs were calculated and analyzed using regression models and multivariate analysis. The results showed that spatial resolution and VI selection are critical factors in improving the accuracy of N content estimation models. For Sentinel-2, the best performing model (R2= 0.908) included CCCI, TCARI/OSAVI RE, TCARI, MSAVI, and MTCI. The Sequoia sensor showed strong performance with simpler model based on GNDVI (R2= 0.814), SAVI (R2= 0.829), MSAVI (R2= 0.826), and NDVI (R2= 0.834). These findings indicate that selecting appropriate sensors and spectral indices enables the development of accurate methodologies for monitoring N content in maize, supporting precision agriculture applications.
