Establecimiento de seis especies arbóreas nativas en un pastizal

Establecimiento de seis especies arbóreas nativas en un pastizal
Ecología Aplicada, 14(1), 2015
ISSN 1726-2216
Depósito legal 2002-5474
© Departamento Académico de Biología, Universidad Nacional Agraria La Molina, Lima – Perú.
Presentado: 07/10/2014
Aceptado: 13/05/215
FENOLOGÍA Y PRODUCTIVIDAD PRIMARIA NETA AÉREA DE SISTEMAS
PASTORILES DE Panicum maximun EN EL DPTO. MORENO, SANTIAGO DEL
ESTERO, ARGENTINA, DERIVADA DEL NDVI MODIS
PHENOLOGY AND ABOVEGROUND NET PRIMARY PRODUCTIVITY OF
Panicum maximum PASTORALIST SYSTEMS IN THE DEPARTMENT OF
MORENO, SANTIAGO DEL ESTERO, ARGENTINA, DERIVED FROM MODIS
NDVI
José Luis Tiedemann 1
Resumen
Los parámetros fenológicos y la productividad primaria neta aérea (PPNA) de los sistemas
pastoriles de Panicum maximun en el Dpto. Moreno, Santiago del Estero, Argentina, en el período
2008-2014, fueron determinados a partir de series temporales de NDVI MODIS. El Inicio, Punto
Medio y Fin de las estaciones de crecimiento tuvieron mayor frecuencia, respectivamente, en
enero, marzo y junio. Se encontraron diferencias significativas (p<0.01) en la Amplitud, Base y
PPNA entre estaciones de crecimiento debido a anomalías en la precipitación media estacional.
Las estaciones de crecimiento con mayor Longitud y Amplitud tuvieron mayor PPNA. Se
encontraron significativas relaciones directas entre la Amplitud y la PPNA (r2 0.50). No se
encontraron relaciones significativas entre la Base y la PPNA (p> 0.05). La PPNA en las
estaciones de crecimiento con anomalías negativas de precipitación fue: 1790.2 kg ms ha (20082009) y 3085.22 kg ms ha (2012-2013). La PPNA en las estaciones de crecimiento con anomalías
positivas de precipitación fue: 9245.23 kg ms ha (2009-2010); 11562.31 kg ms ha (2010-2011);
10514.00 kg ms ha (2011-2012) y 9528.51 kg ms ha (2013-2014). La PPNA de las estaciones de
crecimiento con sequía fue un 78,7 % menor que la PPNA de las estaciones de crecimiento con
anomalías positivas de precipitación media. Las series temporales de NDVI MODIS son una
invalorable herramienta para determinar la receptividad de los sistemas pastoriles y para prevenir
y/o mitigar adversidades climáticas extremas como sequías.
Palabras clave: NDVI; fenología; sequía; productividad primaria neta aérea; Panicum maximun.
Abstract
Phenological parameters and net primary productivity of Panicum maximum pastoralist
systems in the Department of Moreno, Santiago del Estero, Argentina, in the period 2008-2014
were determined from MODIS NDVI time series. The start, midpoint and end of growing seasons
had higher frequency, respectively, in January, March and June. Significant differences (p <0.01)
in the Amplitude, Base and aboveground net primary production (ANPP) between growing
seasons due to anomalies in seasonal rainfall were found. Growing seasons with high length and
amplitude had higher ANPP. Significant direct relationship between the Amplitude and ANPP
were found (r2 0.50). However, relationships between the Base and ANPP (p > 0.05) were not
found. ANPP in growing seasons with negative anomalies of rainfall was: 1790.2 kg dm ha-1
(2008-2009) and 3085.22 kg dm ha-1 (2012-2013). In growing seasons with positive anomalies of
rainfall, ANPP was: 9245.23 kg dm ha-1 (2009-2010); 11562.31 kg dm ha-1 (2010-2011), 10514.00
kg dm ha-1 (2011-2012) and 9528.51 kg dm ha-1 (2013-2014). ANPP growing seasons with drought
was 78.7% lower than ANPP growing seasons with positive anomalies of average rainfall. The
MODIS NDVI time series are an invaluable tool for determining the receptivity of pastoral
systems and for preventing and / or mitigate adverse weather extremes such as droughts.
Key words: NDVI; phenology; drought; aboveground net primary productivity; Panicum
maximum.
Introducción.
La principal actividad ganadera en el Dpto.
Moreno de la Provincia de Santiago del Estero
(Argentina), es la cría bovina extensiva, siendo la
vegetación natural (Bosque Chaqueño y sabanas) la
base de su alimentación (Pérez, 1992). La vegetación
FENOLOGÍA Y PPNA DEL Panicum maximum EN SANTIAGO DEL ESTERO, ARGENTINA
Enero - Julio 2015
__________________________________________________________________________________________
natural sufre procesos de degradación desde fines del
siglo XIX (Morello & Saravia Toledo, 1959). La tala
excesiva del bosque, el sobrepastoreo y los cambios
en el régimen de fuegos, degradaron al bosque y lo
transformaron en superficies de arbustos densos y
espinosos, o en bosque secundario con alta densidad
de individuos (Boletta et al., 2006; Kunst et al., 2012).
Este tipo de cobertura y estructura redujo
significativamente la oferta de forraje herbáceo
limitando severamente la receptividad y por ende la
actividad ganadera (Abril & Bucher, 2001; Kunst et
al., 2003; Smit, 2005; Kunst et al., 2006; Kunst et al.,
2012). Con el fin de revertir la situación, el Instituto
Nacional de Tecnología Agropecuaria (INTA)
introdujo germoplasma forrajero subtropical tales
como Panicum maximun, Chloris gayana y Cenchrus
ciliaris (Perez, 1992).
La intensificación de la ganadería en Santiago del
Estero, se basó en la eliminación del estrato arbustivo
y arbóreo menor a 3 m de altura del bosque Chaqueño
(Figura 1, arriba) mediante rolados (roller chopping) y
en la implantación de gramíneas megatérmicas como
Panicum maximun (Kunst et al., 2003; Anriquez et al.,
2005; Ledesma, 2006; Kunst et al., 2012), dando
como resultado un parque compuesto por leñosas y
pasto (Kunst et al., 2003) (Figura 1, abajo). Ambas
prácticas simultáneas generan incrementos superiores
al 100% en la productividad de materia seca de las
gramíneas (Kunst et al., 2003; Kunst et al., 2012) o
productividad primaria neta (Field et al., 1995;
Fensholt et al., 2006).
La productividad primaria neta terrestre (PPN), es
la integración temporal del incremento positivo de
biomasa de la vegetación terrestre por unidad de
superficie y tiempo (Field et al., 1995; Fensholt et al.,
2003; Fensholt et al., 2006). Representa el nuevo
carbono fijado como biomasa en tallos, hojas y raíces
de todas las plantas en el ecosistema (Fensholt et al.,
2003; Fensholt et al., 2006). La ausencia o presencia
de vegetación con actividad fotosintéticamente activa
tiene un dramático efecto a nivel regional y global
(White et al., 1997), en parte, por la elevada influencia
de la fenología foliar en el intercambio de energía y
dióxido de carbono entre la biosfera y la atmósfera
(Jolly et al., 2005; Arora & Boer, 2005) y porque
delimita el inicio y el fin de la estación de crecimiento
y por ende su longitud (Field et al., 1995).
La longitud de la estación de crecimiento se
relaciona directamente con la PPN o productividad de
la vegetación estacionalmente activa (Field et al.,
1995; White et al., 1997; Reed & Brown, 2005; Arora
& Boer, 2005; Jönsson & Eklundh, 2006; Chandola et
al., 2010). Por cuanto la determinación los parámetros
fenológicos contribuye a la correcta determinación de
la PPN (Bradley et al., 2007).
La estrecha relación lineal existente entre el Índice
Verde Normalizado (NDVI) y la fracción de radiación
fotosintéticamente activa absorbida (Asrar et al.,
1984; Goetz & Prince, 1996) posibilitó el uso de los
Índices de Vegetación como potenciales indicadores
de la productividad fotosintética a escala global y de
paisaje (Nouvellon et al., 2000). La relación entre la
PPN aérea (PPNA) y el NDVI se realizó a través del
modelo empírico de Monteith (1977) basado en la
eficiencia en el uso de la radiación (Nouvellon et al.,
2000; Felsholt et al., 2003). Al respecto, fueron
desarrollados una gran cantidad de trabajos, como el
de Field et al. (1995) quienes propusieron un simple
modelo de PPN global, combinando principios
ecológicos con datos derivados de satélites para
estimar la productividad global. Los autores se
basaron en la amplia relación existente entre los
principios ecológicos, los recursos climáticos, las
características de las especies y la PPN. A su vez,
Goetz et al. (1999) mediante un modelo de eficiencia
de productividad conducido a partir de observaciones
satelitales, generaron mapas de productividad primaria
bruta y neta, respiración autótrofa, biomasa y otras
variables biofísicas del bosque Boreal de Canadá.
Hicke et al. (2002) mediante una serie temporal de
NDVI de diecisiete años y un modelo de ciclo de
carbono exploraron los cambios en la PPN en Norte
América, encontrando pequeños pero significativos
incrementos en la PPN en el período analizado.
Entre las fases fenológicas de la superficie de la
tierra que pueden ser detectadas a través de perfiles de
Índices de Vegetación están el inicio y el fin de la
estación de crecimiento y por ende su longitud (Reed
et al., 2003; Reed & Brown, 2005; Chandola et al.,
2010; de Beurs & Henebry, 2010; Tan et al., 2011;
Atkinson et al., 2012).
Los sistemas pastoriles de Panicum maximun
predominantes en el Dpto. Moreno, Santiago del
Estero, son importantes desde el punto de vista
ganadero debido a que sustentan ~268.000 cabezas de
bovinos (Argentina, 2013) y desde un punto de vista
ecológico como fuente de biodiversidad y
diversificación del paisaje rural (Di Bella et al., 2004)
y como sumidero de carbono (Rigge et al., 2013).
La disponibilidad de información de los
parámetros fenológicos y productividad de los
sistemas pastoriles es vital en zonas semiáridas, en
especial cuando la región es afectada por adversidades
climáticas extremas como sequías.
Con el fin de aportar información local sobre la
dinámica estacional y la respuesta ante estrés
ambiental de los sistemas pastoriles del Dpto. Moreno,
Santiago del Estero, Argentina, los objetivos de este
trabajo fueron: determinar los parámetros fenológicos
(inicio, punto medio, fin, amplitud y base), modelar
las estaciones de crecimiento, cuantificar la
productividad primaria neta aérea de los sistemas
pastoriles de Panicum maximun y analizar su
respuesta ante anomalías de la precipitación media, en
el período 2008-2014.
28
J. TIEDEMANN
Ecol. apl. Vol. 14 No 1, pp. 27-39
__________________________________________________________________________________________
siembra simultánea de Panicum maximun (Anriquez et
al., 2005; Kunst et al., 2008). El Panicum maximun cv
Gatton panic es la especie de mayor difusión,
adaptación y persistencia debido a las características
edáficas y climáticas imperantes en la zona (Renolfi et
al., 1992; de León, 2004).
El área de estudio se centra en el Dpto. Moreno,
ubicado en el centro este de la provincia de Santiago
del Estero, entre los paralelos 26º 53' y 27º 48' de
latitud Sur y los meridianos 61º 50' y 63º 25' de
longitud Oeste (Figura 2, izquierda). La estación
lluviosa comienza en Diciembre y se extiende hasta
Marzo la precipitación media anual es de 750 mm. La
temperatura media mensual en Enero es 26.9°C
(verano), y 12,4°C en Julio (invierno) (Boletta et al.,
2006).
Los sistemas pastoriles (Figura 2) fueron
identificados y seleccionados en terreno (Bradley et
al., 2007). La verificación satelital de estas áreas de
muestreo se realizó mediante Google Earth, una vez
realizada se generaron polígonos vectores de las
Materiales y métodos.
La vegetación natural predominante en la
Provincia de Santiago del Estero es el bosque
Chaqueño semiárido, xerófito y abierto (Figura 1,
arriba). La comunidad clímax o estrato superior es el
bosque de Schinopsis quebracho colorado y
Aspidosperma quebracho blanco (SAyDS, 2004).
Presenta un estrato medio, conformado por especies
de los géneros Zizyphus, Cercidium, Celtis,
Caesalpinea y Prosopis entre otras (SAyDS, 2004). El
estrato arbustivo está conformado por especies
pertenecientes a los géneros Acacia, Mimosa,
Geoffroea, Prosopis, Atamisquea, entre otras (SAyDS,
2004). Finalmente el estrato herbáceo está formado
por gramíneas de los géneros Setaria, Gouinia,
Digitaria, Eragrostis, Gymnopogon, Panicum,
Heteropogon, Trichloris, Chloris, y dicotiledóneas
como Ruellia, Justicia, Holocheilus, Trixis, Hyptis,
entre otras (SAyDS, 2007).
En la Figura 1 (abajo) se puede observar el sistema
pastoril como resultado de rolado de alta intensidad y
Figura 1. Arriba: Perfil típico del Bosque Chaqueño semiárido (Fuente: Zerda H. R.
INPROVE-FCF-UNSE). Abajo: Perfil típico de Sistema Pastoril de Panicum maximum (Fuente:
Kunst et al., 2008).
29
FENOLOGÍA Y PPNA DEL Panicum maximum EN SANTIAGO DEL ESTERO, ARGENTINA
Enero - Julio 2015
__________________________________________________________________________________________
mismas (Figura 2, derecha). Las superficies y
coordenadas centrales de los sistemas pastoriles (SP)
son: SP1 = 1429 has (-62.70 S; -27.25 O); SP2 = 2866
has (-62.28 S; -27.67 O); SP3 = 435 has (-62.25 S; 27.43 O) y SP4 = 2055 has (-62.84 S; -26.98 O)
(Figura 2, derecha).
La variable utilizada fue el Índice Verde
Normalizado desarrollado por Rouse et al. (1973), y
ampliamente conocido por sus siglas en ingles NDVI.
El NDVI fue confeccionado mediante la siguiente
ecuación NDVI = (NIR- RED)/(NIR+ RED), a partir
de datos de reflectancia superficial MOD09GQ
(TERRA AM) y MYD09GQ (AQUA PM) derivados
del sensor MODIS (Moderate Resolution Imaging
Spectroradiometer). Los productos utilizados tienen
una resolución temporal diaria y una resolución
espacial de 250m x 250m (Becker-Reshef et al.,
2010). Los valores del NDVI oscilan en el rango de 1.0 y 1.0. Los pixeles con valores iguales o inferiores
a 0.01 fueron enmascarados, ya que éstos se
relacionan con cuerpos de agua, suelos salinos y suelo
desnudo. Todos los datos de reflectancia superficial
utilizados en este trabajo pertenecen al proyecto Earth
Observing Systems – NASA, obtenidos en
http://modis.gsfc.nasa.gov/.
El gran potencial de las series temporales de NDVI
es obstaculizado por problemas instrumentales,
cambios en el ángulo del sensor, variabilidad
atmosférica (nubes, neblina, aerosoles y polvo),
reflectancia en dos direcciones de las coberturas de la
tierra, que alteran y generan valores anómalos de
NDVI (Bradley et al., 2007; Tan et al., 2008;
Atkinson et al., 2012). Los mapas de la serie temporal
fueron rigurosamente controlados. El primer control
se realizó mediante el módulo EOSDIS Worldview
alpha con imágenes Aqua & Terra de reflectancia
corregida. El segundo control fue realizado sobre los
mapas de NDVI, mediante el módulo de animación
Media Viewer (Idrisi Taiga) con secuencias de cinco
segundos de duración para cada mapa (Eastman,
Figura 2. (Izquierda) Argentina en Sudamérica y Santiago del Estero en Argentina; (Derecha)
Santiago del Estero y el Dpto. Moreno (polígono en centro este). (Abajo) El Dpto. Moreno y
áeas de muestreo de los sistemas pastoriles (SP).
30
J. TIEDEMANN
Ecol. apl. Vol. 14 No 1, pp. 27-39
__________________________________________________________________________________________
Figura 3. (Barras gris oscuro) Precipitación media mensual del período 2008-2014 y (barras
gris claro) Las anomalías de precipitación media mensual con respecto al valor normal histórico
(1918-2014). (Fuente: Sociedad Rural del Noreste Santiagueño).
coeficiente de determinación (R2) (de Beurs &
Henebry, 2005; de Beurs & Henebry, 2010; Brown et
al., 2012).
La productividad de la vegetación estacionalmente
activa de cada estación de crecimiento (Field et al.,
1995; Jönsson & Eklundh, 2006) se determinó
mediante la estacionalidad integrada del NDVI
(SINDVI) (Reed & Brown, 2005), siendo:
SINDVI = Σ NDVIij
En donde i es el NDVI diario de la estación
decrecimiento j. La estación de crecimiento integrada
mediante el NDVI ha sido satisfactoriamente utilizada
para determinar la PPN en estudios anteriormente
(Tucker & Sellers, 1986).
La base (B) es la media del NDVI del I y F de la
EC: B = (NDVI I + NDVI F)/2. La amplitud (A) es la
diferencia entre el NDVI del punto medio y la base:
A= NDVI PM-B (Jönsson & Eklundh, 2006). El
NDVI PM es el valor del NDVI en el Punto Medio de
la estación de crecimiento.
La productividad primaria neta aérea de los
sistemas pastoriles (PPNASP) se determinó mediante el
modelo de Monteith (1977):
PPNASP = ε * Σ (α * SINDVI + β) * RFA (Mj/m2. t)
Donde ε corresponde a la eficiencia en el uso de la
radiación solar (gMs/MJ) y RFA es la radiación
fotosintéticamente activa. Los datos de ε en el área en
estudio son escasos, sin embargo puede suponerse un
ε constante en función de la escala del trabajo (Ruimy
et al., 1994). Por cuanto para los SP en este trabajo se
tomó de bibliografía el valor de ε de Ruimy et al.
(1994), siendo el promedio anual de pasturas perennes
igual a 0.23 g Ms/MJ (Field et al., 1995). Los valores
considerados de α = 1.1 y β = 0.055, fueron
determinados por Paruelo et al. (2004) para
Sudamérica en base a la metodología propuesta por
Ruimy et al. (1994). SINDVI es la estacionalidad
integrada del NDVI (Reed & Brown, 2005). La
PPNASP se expresó en Kg Ms-1 ha-1.
2009). Fueron eliminados, manualmente, los mapas
con contaminación residual de nubes y con fallas en la
calibración de los sensores (Ho et al., 2011),
quedando conformada una serie temporal de 291
mapas de NDVI MODIS que se extendió de agosto de
2008 hasta agosto de 2014.
Los valores medios de NDVI de los SP fueron
extraídos de la serie temporal mediante el módulo TSF
(Eastman et al., 1995). Se minimizó el ruido residual
de la serie temporal del NDVI, mediante una técnica
de suavizado tipo media móvil (Reed & Brown, 2005;
Balzarini et al., 2008; Tan et al., 2008; Atkinson et al.,
2012). Se generó una gráfica simultánea de las series
de observaciones originales y suavizadas en función
de la variable regresora (tiempo) para corroborar que
la técnica de suavizado no haya provisto una señal
falsa (Balzarini et al., 2008). La media móvil de la
serie temporal y los análisis estadísticos fueron
realizados con el software Infostat (Di Rienzo et al.,
2008).
Para determinar las estaciones de crecimiento (EC)
de los SP se utilizó un modelo de regresión cuadrática
(de Beurs & Henebry, 2005; de Beurs & Henebry,
2010; Brown et al., 2012):
ECSP = α NDVI2 + β NDVI + γ
En donde la variable independiente es la serie
temporal del NDVI (tiempo), α el parámetro
cuadrático, β la pendiente de la curva y, γ la ordenada
al origen que corresponde al NDVI en el inicio de la
estación de crecimiento. La pendiente de la curva β y
el parámetro cuadrático α determinan juntos el tiempo
necesario para que la estación de crecimiento alcance
su punto medio (PM), PM = - β/2 α (siendo α < 0), (de
Beurs & Henebry, 2010).
El inicio (I) y fin (F) de la estación de crecimiento
se determina mediante el mejor ajuste del modelo
cuadrático (de Beurs & Henebry, 2005; de Beurs &
Henebry, 2010). El modelo cuadrático de cada
estación de crecimiento fue ajustado, en múltiples
tiempos de la serie temporal NDVI, mediante el
31
FENOLOGÍA Y PPNA DEL Panicum maximum EN SANTIAGO DEL ESTERO, ARGENTINA
Enero - Julio 2015
__________________________________________________________________________________________
Tabla 1. Parámetros fenológicos y PPNA de los sistemas pastoriles: I y F = fecha de inicio y fin de estación de crecimiento (día,
mes, año), PM= fecha del punto medio; NDVI PM= valor del índice de vegetación en el punto medio; B = base; SINDVI= NDVI
estacional integrado; ECSP= función cuadrática; R2= coeficiente de determinación y PPNA= Productividad Primaria Neta Aérea
(Kg ms/ha).
NDVI
ECSP = α NDVI2
PPNA
Sistemas
I
PM
F
B
A SINDVI
R2
Pastoriles
PM
+ β NDVI + γ
Kg Ms Ha-1
ECSP1 = -0.0025x2
0.2
0.04 0.1
1.5
SP1
21.01.09 12.04.09 29.06.09
0.97
2214
2008-2009
+ 0.0363x + 0.0194
2
ECSP2 = -0.0059x
0.1
0.02 0.1
0.5
SP2
11.01.09 21.01.09 28.03.09
0.89
346
+ 0.0508x - 0.022
2
ECSP3 = -0.0134x
0.3
0.13 0.1
1.7
SP3
11.01.09 21.01.09 28.03.09
0.87
1240
+ 0.1252x - 0.0055
2
ECSP4 = -0.0015x
0.1
0.02 0.1
2.0
SP4
05.01.09 28.03.09 30.06.09
0.96
3361
+ 0.0322x - 0.0298
2
ECSP1 = -0.0100x
0.6
0.25 0.3
5.9
SP1
13.12.09 07.04.10 06.06.10
0.98
9897
2009-2010
+ 0.1406x + 0.0971
2
ECSP2 = -0.0078x
0.6
0.28 0.3
6.0
SP2
21.01.10 31.03.10 07.06.10
0.94
7649
+ 0.0785x + 0.4033
2
ECSP3 = -0.0108x
0.6
0.17 0.4
6.1
SP3
30.10.09 07.04.10 31.05.10
0.99
11230
+ 0.1756x - 0.0954
2
ECSP4 = -0.0055x
0.5
0.26 0.3
5.8
SP4
21.01.10 07.04.10 30.06.10
0.93
8205
+ 0.0606x + 0.3637
2
ECSP1 = -0.0064x
0.7
0.22 0.5
6.6
SP1
14.12.10 12.03.11 19.05.11
0.97
9225
2010-2011
+ 0.1189x - 0.0039
2
ECSP2 = -0.0075x
0.6
0.20 0.4
6.8
SP2
26.11.10 28.02.11 06.05.11
0.97
9616
+ 0.1367x - 0.0361
2
ECSP3 = -0.0061x
0.6
0.21 0.4
8.1
SP3
13.11.10 16.01.11 19.05.11
0.96
13600
+ 0.1088x + 0.1255
2
ECSP4 = -0.0061x
0.6
0.18 0.4
7.6
SP4
14.12.10 28.02.11 29.06.11
0.96
13808
+ 0.1148x + 0.0475
2
ECSP1 = -0.0036x
0.5
0.15 0.4
7.6
SP1
01.12.11 31.03.12 22.06.12
0.99
13935
2011-2012
+ 0.0761x + 0.1009
2
ECSP2 = -0.0010x
0.3
0.12 0.1
5.6
SP2
11.09.11 31.03.12 07.06.12
0.91
10322
+ 0.0374x - 0.0524
2
ECSP3 = -0.0099x
0.5
0.21 0.3
4.2
SP3
30.03.12 03.05.12 22.06.12
0.95
2992
+ 0.1085x + 0.1841
2
ECSP4 = -0.0022x
0.4
0.09 0.3
8.1
SP4
17.10.11 31.03.12 22.06.12
0.87
14806
+ 0.0592x + 0.0318
2
ECSP1 = -0.0006x
0.2
0.11 0.1
3.4
SP1
03.11.12 01.02.13 19.04.13
0.87
4798
2012-2013
+ 0.0099x + 0.1497
2
ECSP2 = -0.0059x
0.4
0.18 0.2
3.3
SP2
26.01.13 28.02.13 05.04.13
0.96
1874
+ 0.0861x + 0.0375
2
ECSP3 = -0.0133x
0.4
0.28 0.2
2.9
SP3
12.02.13 05.03.13 30.03.13
0.97
1238
+ 0.1251x + 0.1395
2
ECSP4 = -0.0003x
0.2
0.12 0.1
3.9
SP4
26.01.13 05.03.13 02.06.13
0.92
4430
+ 0.0049x + 0.1586
2
ECSP1 = -0.0046x
0.5
0.15 0.3
6.4
SP1
16.01.14 15.04.14 29.06.14
0.99
8101
2013-2014
+ 0.0895x + 0.0384
2
ECSP2 = -0.0056x
0.5
0.13 0.4
6.6
0.97
9253
SP2
21.01.14 23.03.14 07.07.14
+ 0.1051x + 0.0251
2
ECSP3 = -0.0053x
0.6
0.15 0.4
7.3
0.97
13300
SP3
10.01.14 23.03.14 06.07.14
+ 0.1097x - 0.0204
2
ECSP4 = -0.0055x
0.5
0.21 0.3
5.9
0.95
7460
SP4
10.01.14 23.03.14 02.06.14
+ 0.1011x + 0.0209
32
J. TIEDEMANN
Ecol. apl. Vol. 14 No 1, pp. 27-39
__________________________________________________________________________________________
La distribución de frecuencias de Inicio, Punto
Medio y Fin de las estaciones de crecimiento fue
confeccionada en la Tabla 4 y se presentan en la
Figura 5. Los parámetros fenológicos de las ECSP
Inicio, Punto Medio y Fin se produjeron con mayor
frecuencia, respectivamente, durante enero, marzo y
junio (Figura 5). Los valores del NDVI del PM
oscilaron entre 0.1 y 0.7, el menor valor se produjo en
la ECSP 08-09, y el de mayor valor en la ECSP 10-11.
Los modelos cuadráticos de las ECSP y sus
respectivos coeficientes de determinación se presentan
en la Tabla 4, todos los modelos tuvieron una elevada
capacidad predictiva, los R2 oscilaron entre 0.87 y
0.99.
Se encontraron diferencias significativas (p =
0.0001; R2 = 0.82) en la amplitud de las estaciones de
crecimiento, siendo la de mayor amplitud la ECSP 1011 y las de menor amplitud las ECSP 08-09 y 12-13
(Tabla 2).
La radiación global media mensual incidente al
límite de la atmósfera fue extraída de mapas de
Sudamérica derivados del sensor AVHRR/NOAA19
(http://www.noaa.gov), los valores medios mensuales
fueron acumulados en función de la longitud de las
estaciones de crecimiento. La RFA se asume como
una fracción constante del 48% de la radiación global
media mensual incidente al límite de la atmósfera
(Fensholt et al., 2004).
Los parámetros fenológicos Amplitud y Base serán
relacionados con la PPNA mediante el coeficiente de
correlación de Pearson (r) (Lee & Wong, 2001).
El efecto estacional sobre los parámetros
fenológicos y la PPNA de los sistemas pastoriles fue
determinado mediante un análisis de varianza
(ANAVA) en diseño completamente aleatorizado
(Balzarini et al., 2008). Las variables clasificatorias
fueron las estaciones de crecimiento, con las parcelas
de los sistemas pastoriles como repeticiones y las
variables dependientes utilizadas fueron: PPNASP,
Amplitud y Base. Se verificó normalidad con ShapiroWilks modificado y homogeneidad de varianza con la
prueba de Levene (Balzarini et al., 2008), no
encontrándose evidencias para rechazar las hipótesis
de normalidad y homogeneidad de varianzas (p>0.05).
El modelo lineal para la observación del
tratamiento i en la parcela j, es Yij = µ + τi + ε donde
Yij observaciones del tratamiento i en la parcela j; τi el
efecto del tratamiento i y ε es el término de error
aleatorio asociado a la observación Yij. La
comparación de medias se realizó mediante el test de
comparaciones múltiples LSD Fisher (Di Rienzo et
al., 2008).
Los datos de precipitación de la serie temporal
1918 - 2014 pertenecen a la estación meteorológica de
la Sociedad Rural del Noreste Santiagueño. Las
anomalías fueron confeccionadas de la siguiente
manera: Anomalías = xi - Xh, siendo xi la precipitación
media de un mes y Xh la precipitación media normal o
histórica (1918-2014) de ese mes (Servicio
Meteorológico Nacional, 2014) (Figura 3).
Tabla 2. Test de comparaciones múltiples LSD
Fisher entre Amplitudes. ECSP= estación de
crecimiento de sistemas pastoriles; DMS=
Diferencia mínima significativa; EE= Error
estándar; gl= grados de libertad. Medias con una
letra común no son significativamente diferentes
(p > 0.05)
Test: LSD Fisher Alfa=
0.0041 gl: 18
ECSP
Medias
EC 08-09
0.11
EC 12-13
0.12
EC 11-12
0.28
EC 09-10
0.34
EC 13-14
0.35
EC 10-11
0.42
0.05 DMS= 0.09484 Error:
n
4
4
4
4
4
4
E.E.
0.03
0.03
0.03
0.03
0.03
0.03
A
A
B
B
B
C
C
C
Se encontraron diferencias significativas (p =
0.0001; R2 = 0.66) en las bases de las estaciones de
crecimiento, la ECSP 08-09 tuvo la menor base, y la
ECSP 09-10 la mayor (Tabla 3).
Tabla 3. Test de comparaciones múltiples LSD
Fisher entre Bases. ECSP= estación de
crecimiento de sistemas pastoriles; DMS=
Diferencia mínima significativa; EE= Error
estándar; gl= grados de libertad. Medias con una
letra común no son significativamente diferentes
(p > 0.05)
Resultados.
La técnica de suavizado utilizada para la serie
temporal NDVI MODIS no proveyó señales falsas con
respecto a la media móvil generada (Figura 4;
superiores).
En la Figura 4 (inferiores) se presentan las
estaciones de crecimiento de los sistemas pastoriles
(ECSP) correspondientes al período 2008-2014
derivadas de la media móvil. Las ECSP de los años 0809, 12-13 y en el inicio de 13-14 fueron severamente
afectadas por anomalías negativas de la precipitación
media mensual (Figura 4, inferiores). Las ECSP 09-10,
10-11, 11-12 y fin de 13-14, tuvieron anomalías
positivas en la precipitación media mensual (Figura 4,
inferiores).
Test: LSD Fisher Alfa= 0.05 DMS= 0.12747 Error:
0.0025 gl: 18
ECSP
Medias
n
E.E.
EC 08-09
0.05
4 0.02
A
EC 11-12
0.14
4 0.02
B
EC 13-14
0.16
4 0.02
B
EC 12-13
0.17
4 0.02
B
C
EC 10-11
0.20
4 0.02
B
C
EC 09-10
0.24
4 0.02
C
33
FENOLOGÍA Y PPNA DEL Panicum maximum EN SANTIAGO DEL ESTERO, ARGENTINA
Enero - Julio 2015
__________________________________________________________________________________________
Se encontraron diferencias significativas (p =
0.0003; R2 = 0.71) en la PPNA de las estaciones de
crecimiento, las ECSP de menor productividad en el
período fueron las de 08-09 y 12-13, no habiendo
diferencias significativas entre el resto de las ECSP
(Tabla 4).
1981). Estos resultados contrastan con los de León
(2004) quien a partir de ensayos regionales de
gramíneas
megatérmicas
comunica
que
la
productividad estacional del Panicum maximun en
Santiago del Estero, se produce en un 70% durante el
verano. Resultados similares obtuvieron Chiossone &
Vicini (2012) quienes al evaluar el comportamiento
del Panicum maximun en la Provincia del Chaco en el
período 2008-2011, determinaron que la mayor
producción de materia seca se produjo en verano: el
35.5% en noviembre-diciembre y el 44.4% en enerofebrero. Sin embargo los resultados obtenidos en este
trabajo son consistentes, fundamentalmente porque la
metodología de análisis utilizada es más adecuada
para hacer inferencias a escala regional que la
utilizada por los autores antes mencionados.
Adicionalmente, Tiedemann (2011) y Tiedemann et
al. (2012) al analizar la variación de los parámetros
fenológicos del bosque y pastizal natural en un
período húmedo y otro seco en la Provincia de
Santiago del Estero, mediantes series temporales
NDVI VGT, determinaron que los puntos medios y
NDVI máximos de ambas coberturas se producen en
otoño (marzo) en ambos períodos.
El fin de las estaciones de crecimiento se produjo
con mayor frecuencia en junio y en menor medida en
mayo (Figura 5), esta respuesta está relacionada con la
marcada estacionalidad de las forrajeras subtropicales
y de la vegetación natural de la región en general.
Chiossone & Vicini (2012) obtuvieron similares
resultados, ellos comunicaron que el fin de la oferta
forrajera del Panicum maximun en la Provincia del
Chaco en el período 2008-2011 se produjo en mayojunio. Cornacchione & Molina (2008) al determinar
fechas de siembra óptimas del Panicum maximun
comunicaron que la productividad fue severamente
afectada por las bajas temperaturas y heladas
tempranas. Tiedemann (2011) determinó que el fin de
la estación de crecimiento del pastizal natural en un
período húmedo se producía a partir de mayo,
mientras que en un período con sequía se producía a
partir de abril. La finalización de estaciones en otoño
concuerdan con los obtenidos por de León (2004)
quien comunica que el 20% de producción del
Panicum maximun se produce al finalizar la estación
de crecimiento en otoño. La finalización de las
estaciones de crecimiento en marzo y abril fueron
menos frecuentes (Figura 5), éstas coinciden con las
estaciones de crecimiento afectadas por sequía. Debe
considerarse que el estrés hídrico reduce la tasa de
fotosíntesis (Peters & Eve, 1995; Weiss et al., 2004)
produce alta mortandad de hojas y plantas (Renolfi,
1988; Karnieli et al., 2002; Weiss et al., 2004) e
induce a la vegetación a tomar estrategias extremas
como la caída de hojas que afectan directamente los
valores del NDVI (Ray, 1995; Karnieli et al., 2002).
Tabla 4. Test de comparaciones múltiples LSD
Fisher entre PPNA. ECSP= estación de crecimiento
de sistemas pastoriles; DMS= Diferencia mínima
significativa; EE= Error estándar; gl= grados de
libertad. Medias con una letra común no son
significativamente diferentes (p > 0.05)
Test: LSD Fisher Alfa= 0.05 DMS= 0.38326 Error: 0.0666
gl: 18
ECSP
Medias
n
E.E.
EC 08-09
1790.20
4
1435.89
A
EC 12-13
3085.22
4
1435.89
A
EC 09-10
9245.23
4
1435.89
B
EC 13-14
9528.51
4
1435.89
B
EC 11-12
10514.00
4
1435.89
B
EC 10-11
11562.31
4
1435.89
B
La amplitud y la PPNA de los sistemas pastoriles
de Panicum maximun presentaron relaciones directa
significativas (p < 0.01; R2 = 0.50). A su vez, no se
encontraron relaciones significativas entre la base y la
PPNA (p> 0.05).
Discusión.
La mayor frecuencia del inicio de las estaciones en
enero evidencia la marcada dependencia de los
sistemas pastoriles de Panicum maximun a las
precipitaciones estivales (Figura 3). En ambientes
semiáridos la vegetación responde de manera clara e
inmediata
ante
las
precipitaciones,
siendo
evidenciados por picos de NDVI (Nicholson et al.,
1990; Wang et al., 2003). En este sentido, Zerda &
Tiedemann (2010) al caracterizar la dinámica
interanual y mensual del NDVI VGT del bosque y
pastizal natural de Santiago del Estero en el período
1999-2002, determinaron una respuesta exponencial
del NDVI del pastizal (0.4 NDVI/día) debido al inicio
de las precipitaciones. Los inicios de la estación de
crecimiento con menor frecuencia (octubre,
noviembre y diciembre), se relacionan con el inicio
temprano, poco frecuente, de la estación lluviosa. A su
vez, la disponibilidad de humedad y temperatura
favorece la persistencia del rebrote térmico de los
pastizales (Renolfi, 1988). Adicionalmente, Pérez
(1992) determinó que la fase vegetativa de las
gramíneas en el Chaco semiárido se concentra entre
septiembre y enero y se relaciona ampliamente con la
estación lluviosa.
La mayor frecuencia de PM en marzo y abril se
relaciona con el incremento del porcentaje de
efectividad de las precipitaciones en toda el área de
estudio y de la región en general (Torres Bruchman,
34
J. TIEDEMANN
Ecol. apl. Vol. 14 No 1, pp. 27-39
__________________________________________________________________________________________
Figura 4. Figuras superiores: Serie temporal original NDVI MODIS 2008-2014 (línea negra) y
serie temporal suavizada o media móvil (línea gris) de los sistemas pastoriles SP1, SP2, SP3 y
SP4. Figuras inferiores: Estaciones de crecimiento de los SP1, SP2, SP3 y SP4 derivadas de la
media móvil.
La amplitud de las estaciones de crecimiento es un
parámetro dependiente del valor de la base y del
NDVI del Punto Medio (Jönsson & Eklundh, 2004;
Heumann et al., 2007), por cuanto las ECSP afectadas
por anomalías negativas de precipitación son las que
tuvieron menores valores de NDVI PM y base y por
ende las menores amplitudes. De manera inversa las
ECSP con anomalías positivas de precipitación tuvieron
los valores más elevados de NDVI PM y base y por
ende mayores amplitudes. Tiedemann (2011) al
analizar la dinámica estacional del NDVI VGT del
pastizal nativo (Elionorus sp.) en Santiago del Estero,
determinó que la amplitud de esa cobertura era menor
en el período húmedo y mayor en el seco, y debido a
que el NDVI del PM fue similar en ambos periodo,
concluyó que la amplitud del pastizal estuvo
influenciada por los valores más elevados de la base
durante el periodo húmedo. En su relación con la
productividad estacional, las ECSP con menor
amplitud son las que tuvieron menor PPNA, ambos
parámetros fueron severamente afectados por las
anomalías negativas de precipitación. Debido a las
significativas relaciones directas encontradas entre la
amplitud y la PPNA, podríamos considerar a la
amplitud de las ECSP un rápido estimador de la PPNA
estacional.
La base es un parámetro fenológico dependiente
del NDVI del inicio y fin de las estaciones de
crecimiento (Jönsson & Eklundh, 2004; Heumann et
al., 2007). La ECSP 08-09, tuvo una base
extremadamente baja, mientras que la ECSP 12-13
tuvo una base moderada, ambas estaciones fueron
35
FENOLOGÍA Y PPNA DEL Panicum maximum EN SANTIAGO DEL ESTERO, ARGENTINA
Enero - Julio 2015
__________________________________________________________________________________________
Figura 5. Distribución de frecuencias de las fechas de Inicio (I), Punto Medio (PM) y Fin (F) de
las estaciones de crecimientos de los sistemas pastoriles en el período 2008-2014.
severamente afectadas por la sequía regional, y fueron
las de menor PPNA. La ECSP 09-10 tuvo la mayor
base y una elevada PPNA. Debido a que no se
encontraron relaciones entre la base y la PPNA,
podemos considerar que la base y por ende el NDVI
de inicio y fin de estación de crecimiento no
incidieron en la PPNA estacional de los sistemas
pastoriles.
La PPNA de las ECSP fue severamente afectada
por la sequía regional. El Panicum maximun es muy
sensible a las sequías (de León, 2004). La falta de
precipitaciones o sequía reduce el crecimiento de la
vegetación e induce a un decrecimiento en la
capacidad fotosintética que es detectado y
cuantificado mediante el NDVI y anomalías del NDVI
(Tucker & Choudhury, 1987). De acuerdo a Rigge et
al. (2013) el déficit de precipitaciones y la elevada
variabilidad interanual limitan la Productividad Neta
del Ecosistema, por cuanto las pasturas se vuelven una
fuente neta de carbono durante años con sequía. La
PPNA de las ECSP afectadas con anomalías negativas
de precipitación (08-09 y 12-13) fue un 78,7 % menor
que la PPNA de las ECSP con anomalías positivas de
precipitación media. Similares resultados obtuvieron
Chiossone & Vicini (2012) al comunicar que la sequía
redujo la productividad del Panicum maximun en un
70% en la Provincia del Chaco. Por el contrario, las
ECSP con anomalías positivas de precipitaciones
tuvieron similar PPNA, de acuerdo a Rigge et al.
(2013) las pasturas son sumideros de carbono cuando
presentan disponibilidad de precipitaciones y manejo
adecuado.
Los valores de PPNA estimados en este trabajo se
encuentran dentro del rango de PPNA determinados
por la red de ensayos locales. Kunst et al. (2001)
comunica que la productividad acumulada del
Panicum maximun oscila entre los 6000 y 14000 kg
ms ha-1. A su vez, de León (2004) en el marco del
proyecto ganadero regional del Instituto Nacional de
Tecnología Agropecuaria (INTA) (www.inta.gob.ar)
comunica que la productividad de biomasa forrajera
del Panicum maximun cv Gatton en Santiago del
Estero con precipitaciones de 400 mm es de 4000 kg
ms ha-1, mientras que con precipitaciones de 800 mm,
la productividad ronda los 7500 kg ms ha-1. A su vez,
Cornacchione & Mijoevich (2011) responsables del
módulo NOA de la red de evaluación de especies
megatérmicas del INTA, comunicaron que la
producción de materia seca acumulada del Panicum
maximun cv Gatton en las estaciones de crecimiento
06-07 y 07-09 osciló entre los 11000 y 12000 kg ms
ha-1, la productividad en la estación 08-09 presentó
valores entre los 4000 y 5000 kg ms ha-1, mientras que
en la estación de crecimiento 09-10, la productividad
osciló entre los 14000 y 15000 kg ms ha-1.
Cornacchione & Molina (2008) con el fin de
determinar fechas óptimas de siembra y la
productividad del Panicum maximun cv Gatton,
realizaron la implantación en diferentes fechas de
siembra, tres siembras entre noviembre y diciembre y
dos siembras en febrero. Ellos comunicaron que las
fechas tempranas fueron las más efectivas y que la
PPNA de las tres fechas no tuvieron diferencias
significativas, siendo estas: 9330 kg ms ha-1; 10665 kg
ms ha-1 y 8063 kg ms ha-1.
La longitud de las estaciones de crecimiento es
dependiente de las fechas de inicio y fin de la estación
de crecimiento (Jönsson & Eklundh, 2004; Heumann
et al., 2007). Las ECSP con menor longitud tuvieron
menor PPNA, mientras que las de mayor longitud
tuvieron mayor PPNA. La longitud incide de manera
directa en la PPN del ecosistema (Field et al., 1995;
White et al., 1997; Reed & Brown, 2005; Arora &
Boer, 2005; Jönsson & Eklundh, 2006; Cleland et al.,
2007; Chandola et al., 2010).
Conclusiones.
La serie temporal NDVI derivada del sensor
MODIS, permitió determinar los parámetros
fenológicos, modelar las estaciones de crecimiento y a
36
J. TIEDEMANN
Ecol. apl. Vol. 14 No 1, pp. 27-39
__________________________________________________________________________________________
area index from spectral reflectance in wheat. Agronomy
Journal, 76:300-306.
Atkinson P.M., Jeganathan C., Dash J. & Atzberger C.2012.
Inter-comparison of four models for smoothing satellite
sensor time-series data to estimate vegetation
phenology. Remote Sensing of Environment 123: 400–
417.
Balzarini M.G., Gonzalez L., Tablada M., Casanoves F., Di
Rienzo J.A., Robledo C.W. 2008. Manual del Usuario,
Editorial Brujas, Córdoba, Argentina.
Becker-Reshef I., Justice C., Sullivan M., Vermote M.,
Tucker C., Anyamba A., Small J., Pak E., Masuoka E.,
Schmaltz J., Hansen M., Pittman K., Birkett C.,
Williams D., Reynolds C. & Doorn B. 2010. Monitoring
Global Croplands with Coarse Resolution Earth
Observations: The Global Agriculture
Monitoring
(GLAM) Project. Remote Sensing 2:1589-1609.
Boletta P., Ravelo C.A., Planchuelo A.M. & Grilli M. 2006.
Assessing deforestation in the Argentine Chaco. Forest
Ecology and Management 228:108–114.
Bradley B.A., Jacob R.W., Hermance J.F. & Mustard J.F.
2007. A curve fitting procedure to derive inter-annual
phenologies from time series of noisy satellite
NDVI
data. Remote Sensing of Environment 106:137–145.
Brown M.E., de Beurs K.M. & Marshall M. 2012. Global
phenological response to climate change in crop areas
using satellite remote sensing of vegetation, humidity
and temperature over 26 years. Remote Sensing of
Environment 126:174–183.
Chandola V., Dafeng Hui., Lianhong Gu., Bhaduri B. &
Vatsavai R.R. 2010.
Using Time Series Segmentation for Deriving
Vegetation Phenology Indices from MODIS NDVI
Data. Data Mining Workshops (ICDMW), IEEE
International
Conference.
DOI
10.1109/ICDMW.2010.143
Chiossone J. & Vicini R. 2012. Producción de Materia Seca
De Gatton Panic en el Dpto. Almirante Brown en
diferentes Sistemas de Manejo. Ed. INTA EEA Sáenz
Peña.
Disponible
en:
http://inta.gob.ar/documentos/produccion-de-materiaseca-de-gatton-panic-en-el-dpto.-almirante-brown-endiferentes-sistemas-de-manejo/
partir de ellas cuantificar la PPNA estacional de los
sistemas pastoriles del Dpto. Moreno, Santiago del
Estero, Argentina en el período 2008-2014.
Los parámetros fenológicos (amplitud y base) y la
PPNA de las estaciones de crecimiento de los sistemas
pastoriles
Panicum
maximun
fueron
significativamente afectados por las anomalías
negativas de precipitación media estacional.
Los parámetros fenológicos longitud y amplitud de
las estaciones de crecimiento están directamente
relacionadas con la PPNA de los sistemas pastoriles
de Panicum maximun.
La PPNA estimada mediante sensores remotos de
los sistemas pastoriles de Panicum maximun oscila
dentro de los valores de productividad de materia seca
determinados por las redes de ensayos locales a escala
uno a uno en el Dpto. Moreno, Santiago del Estero,
Argentina.
La determinación de los parámetros fenológicos y
PPNA de los sistemas pastoriles derivados de series
temporales NDVI MODIS, se transforma en una
invalorable herramienta que dispone la comunidad
agropecuaria, por un lado para determinar de manera
eficiente la receptividad de los potreros y por el otro
para prevenir y/o mitigar los efectos de adversidades
climáticas extremas como sequías.
Los resultados de este trabajo podrían considerarse
un punto de partida en el avance del conocimiento, a
escala local, sobre la fenología y productividad de los
sistemas pastoriles de Panicum maximun del Chaco
semiárido, derivada de sensores remotos.
Agradecimientos.
- Al Dr. Hugo R. Zerda. Director del proyecto que
enmarca este trabajo, denominado - Monitoreo
satelital de la distribución espacial y temporal de
las coberturas y usos de la tierra de la provincia de
Santiago del Estero-, CICyT-UNSE Nº 23/B090.
- A la Dra. Liliana Diodato. Directora del Instituto
de Protección Vegetal – FCF – UNSE.
- Al Profesor Ramón Ledesma – FCF - UNSE, por
la revisión del summary.
Cleland E., Chuine I., Menzel A., Mooney H.A. & Schwartz
M.D. 2007. Shifting plant phenology in response to
global change. TRENDS in Ecology and Evolution
22:357-364.
Cornacchione M. & Molina J.P. 2008. Implantación de
gramíneas subtropicales según fechas de siembra y
acumulación y componentes de la materia seca. Revista
Argentina de Producción Animal 28:349-543.
________. & Mijoevich L. 2011. Ensayo comparativo de
rendimiento de gramíneas megatérmicas. Ciclo de
evaluación 2006-2010. INTA EEASE. Red
de
evaluación de especies megatérmicas del Instituto
Nacional de Tecnología Agropecuaria. Disponible en:
http://inta.gob.ar/documentos/red-de-evaluacion-deespecies-megatermicas.-informe-resumido-de-proyectociclos-2006-2010/
de Beurs K. M & Henebry G. M. 2005. A statistical
framework for the analysis of long image time series.
International Journal of Remote Sensing 26:1551–1573.
Literatura citada.
Abril A. & Bucher E.H. 2001.Overgrazing and soil carbon
dynamics in the western Chaco of Argentina. Applied
Soil Ecology 16: 243–249.
Anriquez A., Albanesi A., Kunst C., Ledesma R., Lopez.,
Rodriguez Torresi A. & Godoy J. 2005. Rolado de
fachinales y calidad de suelos en el chaco occidental,
Argentina. CI. Suelo, 23: 145-157.
Argentina.
2013.
Programa
de
Competitividad
Conglomerado Bovino de Santiago del
Estero.
Secretaría de Política Económica del Ministerio de
Economía y Finanzas Públicas de la Nación, 42p.
Arora V. K & Boer G.J. 2005. A parameterization of leaf
phenology for the terrestrial ecosystem component of
climate models, Global Change Biology, 11:39–59.
Asrar G., Funchs M., Kanemasu E.T. & Hatfield J.L. 1984.
Estimating absorbed photosynthetic radiation and leaf
37
FENOLOGÍA Y PPNA DEL Panicum maximum EN SANTIAGO DEL ESTERO, ARGENTINA
Enero - Julio 2015
__________________________________________________________________________________________
________& Henebry G. M. 2010. Spatio-Temporal
Statistical Methods for Modelling
Land
Surface
Phenology En: Phenological Research, I.L. Hudson,
M.R. Keatley (eds.).
de León M. 2004. Las pasturas subtropicales en la región
semiárida central del país. Informe Técnico Nº 1,
Instituto Nacional de Tecnología Agropecuaria, Centro
Regional Córdoba, ISSN 1668-2890. Disponible en:
http://www.produccionanimal.com.ar/produccion_y_manejo_pasturas/pasturas_
cultivadas_megatermicas/55ampliando_frontera_ganadera.pdf.
Di Bella C., Faivre R., Ruget F., Seguin B., Guerif M.,
Combal B., Weiss M. & Rebella C. 2004. Remote
sensing capabilities to estimate pasture production
in
France, Int. J. Remote Sensing 23:5359-5372.
Di Rienzo J.A., Casanoves F., Balzarini M.G., Gonzalez L.,
Tablada M. & Robledo C.W. 2008. InfoStat, versión
2008, Grupo InfoStat, FCA, Universidad Nacional
de
Córdoba, Argentina.
Eastman R., McKendry J.E & Fulk M.A. 1995. Change and
times series analysis. Explorations
in
Geographic
Information Systems Technology. UNITAR
Second
Edition, Palais des Nations, Geneva, Suiza, 116p.
________. 2009. IDRISI Taiga 16.03. The IDRISI Project,
University's George Perkins Marsh, Institute at Clark
University.
Goetz S.J. & Prince S.D. 1996. Remote sensing of net
primary production in boreal forest stands. Agricultural
and Forest Meteorology 78: 149-179.
________., Prince S.D., Goward S.N., Thawley M.M.,
Small J. & Johnston A. 1999. Mapping net primary
production and related biophysical variabkes with
remote sensing: Application to the BOREAS region.
Journal of Geogphysical Research, 104:27.719-27.734.
Fensholt R. 2003. Assessment of Primary Production in
Semi-arid Environment from Satellite Data. Exploiting
capabilities of new sensors. Ph. D. dissertation, Institute
of Geography, University of Copenhagen, Copenhagen
K, Denmark, 87p.
________., Sandholt I. & Schultz Rasmussen M. 2004.
Evaluation of MODIS LAI, fAPAR and the relation
between fAPAR and NDVI in a semi-arid environment
using in situ measurements. Remote Sensing of
Environment 91:490–507.
________., Sandholt I., Schultz Rasmussen M., Stisen S. &
Diouf A.2006. Evaluation of satellite based primary
production modelling in the semi-arid Sahel. Remote
Sensing of Environment 105:173–188.
Field C.B., Randerson J.T. & Malmstriik C.M. 1995. Global
Net Primary Production: Combining Ecology and
Remote Sensing. Remote Sensing Environment 51: 7488.
Heumann B.W., Seaquist J.W., Eklundh L. & Jonsson P.
2007. AVHRR derived phenological change in the Sahel
and Soudan, Africa, 1982–2005. Remote Sensing of
Environment 108:385-392.
Hicke A. J., Asner P. G., Randerson T.J., Tucker C., Los S.,
Birdsey R; Jenkins J; Field C. & Holland E. 2002.
Satellite-derived increases in net primary productivity
across North America, 1982-1998. Geophysical
Research Letters, 29: 69-1-69-4.
Ho J., Ryu D. & Costelloe J. 2011. Comparative Analysis of
NDVI and Microwave-Derived Soil Moisture for
Determining Surface Water in the Cooper
Creek
Catchment, 19th International Congress on Modelling
and Simulation, Perth, Australia, 12–16 December 2011.
Disponible
En:
http://mssanz.org.au/modsim2011/E4/ho.pdf
Jolly W.M., Nemani R. & Running S.W. 2005. A
generalized, bioclimatic index to
predict
foliar
phenology in response to climate, Global Change
Biology, 11:619-632.
Jönson P. & Eklundh L. 2004. TIMESAT— a program for
analyzing time-series of satellite sensor data. Computers
& Geosciences 30:833-845.
________. 2006. TimesatGUI. Users guide for version
TIMESAT 2.2, 17 pp.
Karnieli A., Gabai A., Ichoku C., Zaady E. & Shachak M.
2002. Temporal dynamics of soil and vegetation spectral
responses in a semi-arid environment. International J. of
Remote Sensing, 19:4073-4087.
Kunst C., Cornacchione M.V., Gelid L. & Godoy J. 2001.
Aumento de forraje. Manejo desmonte y postdesmonte.
Persistencia de pasturas subtropicales. En: Jornada sobre
intensificación de la producción ganadera y
sustentabilidad de recursos naturales en Santiago del
Estero. Junio de 2001, Quimilí, Santiago del Estero,
Argentina, 27pp.
________ ., Ledesma R., Basan M., Angella G., Prieto D. &
Godoy J. 2003. Rolado de fachinales e infiltración de
agua en el suelo en el Chaco occidental argentino.
Revista de Investigaciones Agropecuarias 32: 105-122.
________., Monti E; Perez H. & Godoy J. 2006. Assessment
of the rangelands of southwestern Santiago del Estero,
Argentina, for grazing management and research.
Journal of Environmental Management 80:248–265.
________., Ledesma R & Navall M. 2008. RBI: Rolado
selectivo de baja intensidad, 139 p, en ediciones INTA
disponible en: http://inta.gob.ar/documentos/rbi-roladoselectivo-de-baja-intensidad/
________., Ledesma R; Bravo S; Albanesi A. & Godiy J.
2012. Disrupting woody states in the Chaco region
(Argentina): responses to combined disturbance
treatments. Ecological Engineering 42:42–53.
Ledesma R. 2006. Desarrollo de sistemas ganaderos: Una
alternativa de manejo en ecosistemas degradados del
Chaco semiárido, Santiago del Estero, Argentina.
Universidad Nacional de Santiago del Estero, Tesis de
maestria, 134 p.
Lee J. & Wong D.W. 2001. Statistical Analysis with
ArcView GIS. John Wiley & Sons, INC. New York,
USA, 2001. pp. 192.
Monteith J.L. 1977. Climate and the efficiency of crop
production in Britain. Philosophical Transactions of the
Royal Society of London B 281:277-294.
Morello J. & Saravia Toledo C. 1959. El bosque Chaqueño
II. La ganadería y el bosque en el oriente de Salta. Rev.
Agron. Noroeste Arg. 3:209-258.
Nicholson S.E., Davenport L.M., & Malo A.R. 1990. A
comparison of the vegetation response to rainfall in the
Shael and East Africa, using Normalized
Difference
Vegetation Index from NOAA AVHRR, Climatic
Change 17:209- 241.
Nouvellon Y., Seen D. L., Rambal S., Begé A., Moran M.,
Kerr Y. & Qi J. 2000. Time Course of Radiation Use
Efficiency in a Shortgrass Ecosystem: Consequences for
38
J. TIEDEMANN
Ecol. apl. Vol. 14 No 1, pp. 27-39
__________________________________________________________________________________________
Remotely Sensed Estimation of Primary Production.
Remote Sens. Environ. 71:43–55.
Paruelo J. M., Golluscio R.A., Guerschman J.P., Cesa A.,
Jouvé V. & Garbulsky M.F. 2004. Regional scale
relationships between ecosystem structure and
functioning. The case of the Patagonian steppes. Global
Ecology and Biogeography 13: 385- 395.
Pérez H.E. 1992. Las pasturas cultivadas en la EEA INTA
Santiago del Estero. En: Jornadas de actualización
técnica en producción bovina en áreas de secano
de
Santiago del Estero, INTA, 162 p, 23, 24 y 25 de abril,
Santiago del Estero, Argentina.
Peters A.J. & Eve M.D. 1995. Satellite monitoring of desert
plant community response to moisture availability.
Environmental Monitoring and Assessment 37:273-287.
Ray T.W. 1995. Remote Monitoring of Land Degradation in
Arid/Demiarid Regions. Thesis by Doctor of
Phillosophy, California Institute of tecnology, Pasadena,
California.
Reed B.C., White M. & Brown J.F. 2003. Remote Sensing
Phenology. En: Phenology: An Integrative Enviromental
Science. Schwartz M. D (Ed), Kluwer
Academic
Publisher Netherlands, 557 p.
________. & Brown J.F. 2005. Trend Analysis of Timeseries Phenology Derived from Satellite Data, IEEE
Xplore
Librery
digital;
Disponible
en:
http://ieeexplore.ieee.org/stamp/stamp.jsp?arnumber=01
469863
Renolfi R.F. 1988. Producción y manejo de forrajeras
introducidas y nativas en el Chaco Semiárido. En: Curso
taller Internacional, Forrajeras y cultivos adecuados para
la Región Chaqueña Semiárida. Editor: Red de
cooperación técnica en uso de recursos naturales en la
región chaqueña semiárida
(Argentina,
Bolivia,
Paraguay), La Rioja, Argentina, 59-69 pp.
_________. 1992. Los pastizales de la Región Chaqueña.
En: Jornadas de actualización técnica en producción
bovina en áreas de secano de Santiago del
Estero.
Editor: INTA EEA Santiago del Estero, Argentina, 1726 pp.
Rigge R., Wylieb B., Zhangc L. & Boyted S.P. 2013.
Influence of management and precipitation on carbon
fluxes in great plains grasslands. Ecological Indicators
34:590–599.
Rouse J.W., Haas R.H., Schell J.A. & Deering D.W. 1973.
Monitoring vegetation systems in the Great plains with
ERTS, Third RTS Symposium, NASA SP-351 I, 309317.
Ruimy A., Saugier B. & Dedieu D. 1994. Methodology for
the estimation of terrestrial net primary production from
remotely sensed data. Journal of Geophysical Research
99: 5263-5283.
Secretaría de Ambiente y Desarrollo Sustentable de la
Nación (SAyDS). 2004. Parque Chaqueño. En: Atlas de
los Bosques Nativos Argentinos, Proyecto Bosques
Nativos y Áreas protegidas, Argentina, 244 pp.
1
_________. 2007. Informe Regional Parque Chaqueño. En:
Primer inventario nacional de bosques nativos, Proyecto
Bosques Nativos y Áreas protegidas, Argentina, 114p.
Servicio Meteorológico Nacional. 2014. Servicios
climáticos, mapas de anomalías
de
precipitación
acumulada.
Disponible
En:
http://www.smn.gov.ar/serviciosclimaticos/?mod=elclim
a&id=72
Smit G.N. 2005. Tree thinning as an option to increase
herbaceous yield of an encroached semi-arid savanna in
South Africa. BMC Ecology 5:4 doi:10.1186/14726785-5-4.
Tan B., Morisette J.T; Wolfe R. E; Gao F; Ederer G. A;
Nightingale J. &
Pedelty J.A. 2011. An Enhanced TIMESAT Algorithm
for Estimating Vegetation Phenology Metrics From
MODIS Data. IEEE Journal of Selected
Topics
in
Applied Earth Observations and Remote Sensing, 4:361371.
Tiedemann J.L. 2011. Dinámica espacial y temporal del
Índice de Vegetacion de Diferencia Normalizada en
Santiago del Estero. Tesis Doctoral, Escuela de
Graduados Facultad de Ciencias Agropecuarias,
Universidad Nacional de Córdoba, Argentina, 157p.
_________., Zerda H.R., Grilli M. & Ravelo A. C. 2012.
Variabilidad fenológica del bosque y del pastizal nativo
en el Chaco Semiárido de la Provincia de Santiago del
Estero, Argentina. Ambiência 8:47-60.
Torres Bruchmann E. 1981. Climatología General y
Agrícola de la Provincia de Santiago
del
Estero.
Universidad Nacional de Tucumán, Tucumán,
Argentina, 199 pp.
Tucker J.C. & Sellers P.J. 1986. Satellite remote sensing of
primary production. Int. J. Remote Sensing, 11:13951416.
_________. & Choudhury J.B. 1987. Satellite remote
sensing of drought conditions. Remote Sensing of
Environment 23: 243-251.
Wang J., Price K.P. & Rich P.M. 2003. Temporal responses
of NDVI to precipitation and temperature in the central
Great Plains, USA. Int. J. Remote Sensing, 11:23452364.
Weiss J.L., Gutzler D.S., Allerd Coonrod J.E. & Dahm C.N.
2004. Long-term vegetation monitoring with NDVI in a
diverse semi-arid setting, central New Mexico, USA.
Journal of Arid Environments 58:248–271.
White A.M., Thornton E.P. & Running W.S. 1997. A
continental phenology model for monitoring vegetation
Global
responses to interannual climatic variability.
Biogeochemical Cycles, 2:217-234.
Zerda H. R. & Tiedemann J.L. 2010. Dinámica temporal del
NDVI del bosque y pastizal natural en el Chaco Seco de
la Provincia de Santiago del Estero, Argentina.
Ambiência, 6:13-24.
Instituto de Protección Vegetal, Facultad de Ciencias Forestales – Universidad nacional de Santiago del Estero,
Av. Belgrano Sur, 1912, (CP 4200) Capital, Santiago del Estero, Argentina.
39
Was this manual useful for you? yes no
Thank you for your participation!

* Your assessment is very important for improving the work of artificial intelligence, which forms the content of this project

Download PDF

advertising