1. Introducción
Los pronósticos anticipados a la cosecha aportan información valiosa para estimar la cantidad de alimentos que requiere complementar con el fin de afrontar los posibles déficits de producción y abastecer a la población. Actualmente las metodologías convencionales de captación y evaluación de la producción agrícola no permiten realizar un seguimiento o monitoreo con el que se pueda estimar o conocer con precisión los volúmenes de alimentos que estarán disponibles, ya que la infraestructura con que se cuenta no logra recabar la información necesaria de forma oportuna y veraz, para una correcta planificación y apoyo al campo.
La teledetección juega un papel vital en el análisis de los sistemas de producción agrícola mediante la integración de información espacial y temporal en varios ciclos de cultivo durante el año. La información de los sistemas de producción agrícola, tales como la extensión de los cultivos, vigor y rendimiento, rotación, secuencia en prácticas culturales, entre otras; son importantes para conocer los niveles de rendimiento de las zonas agrícolas (Guillén & Dávila, 2017).
Los sensores remotos han sido empleados desde hace décadas para evaluar los cambios en las coberturas y usos de la tierra (Chen, Z., 2008, Butt, A. et al, 2015, Farrell, M & Rivas, R. 2010), cambios que son influenciados por factores físicos, climáticos y socioeconómicos, tanto en el tiempo como en el espacio (Kaliraj, S., et al, 2017). La teledetección es una técnica científica empleada para obtener información sobre objetos o áreas a distancia, típicamente desde aviones o satélites. La detección remota que utiliza sensores espaciales es una herramienta incomparable para obtener observaciones sinópticas y repetitivas de cultivos permanentes, así como de su entorno (Anindya S., 2016). La ventaja de usar esta herramienta es que provee información espectral, espacial y temporal de los objetos que estemos evaluando.
El cultivo de la caña de azúcar es ampliamente producido en las tierras venezolanas. La producción es destinada principalmente para producir azúcar refinada en los centrales azucareros. En el estado Mérida, la producción de Caña se concentra en la parroquia San Juan de Lagunillas del municipio Sucre; cosecha que es destinada aún en su totalidad en los procesos agroindustriales (trapiches artesanales), cuyo principal producto derivado es la panela; siendo éste un producto alimenticio obtenido a partir de la evaporación y concentración de los jugos de la caña de azúcar, utilizado para bebidas o como edulcorante (Mosquera, S., et al, 2007). El presente trabajo busca evaluar mediante herramientas de teledetección y Sistemas de Información Geográficos (SIG) la superficie destinada para la producción de Caña panelera durante los años 2016 y 2017.
2. Metodología
Para el desarrollo de la presente investigación se emplearon técnicas de Teledetección y Sistemas de Información Geográficas (SIG), las cuales permitieron identificar y cuantificar las superficies y producción del cultivo de caña panelera en la parroquia San Juan de Lagunillas, Municipio Sucre del Estado Mérida, Venezuela; información que fue integrada a un SIG para su visualización, interpretación, procesamiento y análisis (Figura 1). La parroquia presenta un relieve irregular, donde se combinan grandes desniveles y terrenos planos, pudiendo diferenciar dos unidades fisiográficas como lo son: los fondos de valle y las vertientes (Figura 2 y Figura 3), todo ello producto del control estructural proveniente de la falla de Boconó (Martínez, 1963). La parroquia se caracteriza por presentar un clima semiárido, con precipitaciones media anual de aproximadamente 541 mm, y temperaturas medias anuales de 24 °C. Presenta una variedad de suelos, donde las características de los materiales originarios, están relacionados directamente con la geología y geomorfología (Rojas, 1970).
Fuente: Elaborado con base a la cartografía Nacional oficial del IGVSB (2014).
Fuente: Elaboración propia basada en el SRTM (Shuttle Radar Topography Mission) de 1 Arc second global; y la imagen Sentinel 2A combinación 4-3-2 del 17/10/2017 (https://earthexplorer.usgs.gov, 2017).
2.1. Información base
2.1.1. Información agroproductiva
El cultivo de la caña de azúcar ha sido un cultivo tradicional en Venezuela desde siglos. Su procesamiento ha venido incrementándose con el aumento de la modernización e industrialización del sector. Para inicios del siglo XXI, Venezuela cuenta con quince centrales azucareros entre privados y públicos en diferentes estados de operatividad. La producción de caña se sitúa en diferentes regiones del país; una de ellas, tal vez no destacada por las pequeñas superficies, es la producción de Caña de azúcar para la elaboración de panela de la parroquia San Juan de Lagunillas del Estado Mérida (Figura 4 y Figura 5); parroquia que cuenta con 20 trapiches con distintos niveles de operatividad. El ciclo de producción de la caña en esta zona, dependiendo de la variedad, oscila entre 10 y 18 meses, con unos rendimientos entre 200 y 800 pacas (1 Kg)/ha; destacándose la variedad Peineta con 800 pacas/ha.
Fuente: Elaboración propia.
Fuente: Mogollón & Peña (2014).
La información de la vocación agrícola que poseen las tierras es registrada periódicamente por el Ministerio del Poder Popular para la Agricultura Productiva y Tierras (MPPAPT), de acuerdo al decreto 047/2017 de fecha 17/10/2017 del referido ministerio. El mismo persigue entre otras cosas “disponer de datos y registros estadísticos directos de los productores primarios” (Gaceta Oficial # 41.259, de fecha 18/10/2017). La certificación de un agricultor ante el RUNOPPA, consiste en que un técnico del referido ministerio debe acceder hasta la parcela y verificar que el agricultor, junto a su documento de identidad (C.I), está produciendo el rubro que él ha declarado.
La ley de tierras y desarrollo agrario contempla el reconocimiento y otorgamiento de los instrumentos agrarios, de manera que el agricultor usufructúe sus tierras y produzcan alimentos. Una vez el agricultor solicita el instrumento agrario, un técnico procede a realizar un levantamiento espacial de la perimetral de la parcela que ha sido solicitada para su regularización. Está información espacial es asociada, al documento de identidad del agricultor. Una vez verificado los procedimientos legales de rigor, el Instituto le otorga el instrumento agrario.
La base de datos cartográfica agroproductiva obtenida fue organizada en dos juegos de datos, una para el entrenamiento de la clasificación (áreas ROI), y la otra para la verificación de las áreas estimadas por la clasificación.
2.1.2. Información espectral
Todos los objetos de la tierra tienen la capacidad de interactuar con la energía. Dentro de estas interacciones esta la capacidad de reflejar o emitir la energía, la cual puede ser captada por los sensores remotos. Esta propiedad física hace que los elementos del paisaje como el suelo, el agua y la vegetación, tengan su identificación espectral característica, de acuerdo a sus propiedades físico-químicas. Entre estas propiedades, Guillen & Dávila (2017) describen que para la vegetación; la reflectividad del infrarrojo (IR) próximo del espectro electromagnético depende, en gran medida, de la estructura anatómica de las hojas; tal como el número de capas celulares, el tamaño de las células y el espesor relativo del parénquima lagunar. Las hojas con mayor desarrollo del parénquima lagunar producen mayor dispersión (Figura 6). Como consecuencia de ello, las hojas de dicotiledóneas presentan una mayor reflectividad que las de monocotiledóneas (caso de la caña de azúcar), aunque tengan el mismo espesor, ya que el parénquima lagunar de las primeras está más desarrollado. Los autores Guillen & Dávila (2017) también describen que las hojas presentan una diferencia de comportamiento espectral entre el haz y el envés, ya que la reflectividad de éste último es, generalmente, mayor, debido a la mayor presencia de los cloroplastos en el parénquima en empalizada. La presencia de vellosidad en la superficie foliar (hojas pubescentes), aumenta la reflectividad en el visible y en el IR medio, pero prácticamente no tiene influencia en el IR próximo.
Las propiedades ópticas de las hojas varían en la fase juvenil y en su senescencia (Figura 7). En esta última fase, el contenido en clorofilas decrece en favor de los carotenos, que producen colores rojizos y marrones, y de las xantofilas, que producen colores amarillentos. La desaparición de la clorofila y su sustitución por pigmentos marrones, produce un aumento de la reflectividad del amarillo-verde y del rojo. En el IR próximo, la reflectividad sólo varía cuando las hojas se secan y cambia su estructura interna. En el IR medio el aumento de la reflectividad foliar está relacionado con la perdida de agua, a estos efectos, debe considerarse que la disminución del contenido de humedad por el secado, comienza relativamente tarde, cuando la hoja ya está amarilla.
Las aplicaciones de los sensores remotos a cultivos de caña de azúcar (Saccharum officinarum) han tomado especial énfasis en el mapeo, clasificación y discriminación varietal (Gãlvao et al, 2005, Fortes y Demattê, 2006; Abdel-Rahman, E.M y Ahmed, F.B, 2008a; Apan, et al, 2018, Johnson, R. et al. 2008) y la estimación de la producción (Abdel-Rahman, E.M , 2010) y monitoreo del estatus fitosanitario y nutricional de las plantaciones (Abdel-Rahman, E.M, et al, 2008b, Miphokasap, P., et al, 2012). Los autores Murillo & Carbonell (2012) señalan que la respuesta espectral del cultivo depende de cinco factores: la arquitectura del follaje, pigmentos de las hojas, el manejo agronómico, la geometría de adquisición y las condiciones atmosféricas. Dentro de ellos, los autores resaltan que la estructura geométrica es el factor más importante que afecta las propiedades ópticas del follaje de la caña. A su vez, Gãlvao et al (2005) y Fortes & Demattê (2006), describen que el follaje medio erecto y abierto refleja más la energía que la de follaje erecto.
Para conocer los cambios y la dinámica espacio-temporal de las superficies de las unidades de producción de caña panelera, se obtuvieron imágenes de satélite SENTINEL 2A, con fechas del 27 de marzo de 2016 y del 01 de abril de 2017, adquiridas a través de la plataforma del servicio geológico del gobierno de los Estados Unidos (United States Geological Survey).
Estas imágenes cuentan con una resolución espacial de 10, 20 y 60 m; con 13 bandas espectrales que van desde las longitudes de ondas cortas para la detección de aerosoles, pasando por el visible y el infrarrojo. Cuentan con una resolución radiométrica de 16 bits, tiene un período de revisita cada 10 días, lo que permite obtener datos en tiempo real de la superficie terrestre, facilitando el seguimiento del crecimiento y desarrollo de los cultivos.
2.2. Procesamientos digitales de las imágenes (PDI)
Se realizó el procesamiento digital de las imágenes satelitales Sentinel 2A (2016 y 2017), el cual consiste en el procesamiento y mejoramiento de la calidad de los datos espaciales (radiométricos) para realizar la interpretación y extracción de la información de interés, empleando el software QGis versión 2.14.18.
2.2.1. Corrección geométrica (georeferenciación)
Se utilizó el mapa topográfico resultante de las cartas básicas de Cartografía Nacional de índices 5941-III-NE; 5941-III-NO; 5941-IV-SE, a escala 1:25.000. Seleccionando puntos de control identificables tanto en los vectores de referencia como en las imágenes de satélite, asignando un sistema de coordenadas estándar como lo es el Sistema de Referencia WG84 (World Geodetic System, 1984) y proyección cartográfica UTM zona 19N.
2.2.2. Corrección radiométrica
Éste proceso permite determinar los niveles de reflectancia contenidos en los pixeles de la imagen, ya que los datos almacenados en una imagen cruda son valores o niveles digitales, los cuales no representan ninguna variable biofísica (Chuvieco, 2002b); por lo que es necesario realizar dicha conversión, puesto que el procedimiento de clasificación automatizada emplea los valores de reflectancia para identificar y categorizar las diferentes coberturas existentes.
2.2.3. Corrección Atmosférica
Este procedimiento consistió en eliminar o disminuir la influencia de los componentes de la atmósfera en la energía captada por el sensor, lo que permite mejorar la clasificación de las coberturas especialmente las áreas agrícolas. Empleando el método de sustracción de objetos obscuros, el cual consiste en restar a todos los valores digitales (VD) de cada banda su VD mínimo, situando el histograma en cero. Para ello, se empleó el plugín del software QGis versión 2.18.14 denominado Semi - Automatic Classification (SCP), siendo una herramienta útil para el procesamiento de las imágenes.
2.2.4. Realce de las imágenes
Se realizó a través de la técnica de mejoramiento lineal de contraste, logrando realzar detalles sutiles de la imagen, lo que a su vez permite mejorar la interpretación de los diferentes elementos contenidos en la misma. Con estos últimos procesos se logró obtener una mejor calidad visual de las imágenes satelitales.
3. Clasificación digital de las imágenes
El objetivo principal de la clasificación digital de imágenes es categorizar automáticamente todos los píxeles de una imagen en clases de cobertura de la tierra o clases específicas relacionadas a la interpretación que se esté llevando a cabo. Datos multiespectrales han sido usados normalmente para desarrollar estas clasificaciones, gracias a los patrones espectrales presentes en los datos para cada píxel, es decir, diferentes tipos de objetos manifiestan diferentes combinaciones de VD basados en sus propiedades de emitancia y reflectancia espectral (Guillén & Dávila, 2017).
La clasificación supervisada requiere un conocimiento de la zona de estudio que permite delimitar sobre la imagen unas zonas o áreas representativas de las distintas categorías que se pretenden discriminar. Estas áreas se conocen como training fields (áreas de entrenamiento), ya que sirven para entrenar al software para que pueda reconocer las distintas categorías. A partir de estas áreas el computador calcula diversos parámetros estadísticos de los VD que definen cada clase, para luego clasificar el resto de píxeles en una categoría determinada atendiendo a su radiometría. Para el presente trabajo se empleó la mitad del juego de datos de la base cartográfica agroproductiva obtenida del ítems 1.1.1, empleando el algoritmo de Máxima Probabilidad Gaussiana; clasificador que permitió describir dos categoría: cobertura del cultivo de caña panelera y otras coberturas, a través de la función de probabilidad, que utiliza la media y la desviación típica, por lo que la asignación de cada pixel a las categorías dependió de la mayor probabilidad de pertenencia que tengan (Chuvieco, 2002a).
3.1. Validación
Posterior a la clasificación digital, se realizó la validación de los resultados a través de tres pasos:
La matriz de cambio con datos de interpretación visual de imágenes provenientes de SasPlanet.
El grado de coincidencia de la estimación de la clasificación supervisada con las áreas previamente definidas como caña panelera en el segundo juego de datos de la base cartográfica agroproductiva.
La Consulta a los técnicos expertos de las instituciones oficiales que laboran en el municipio Sucre y algunos pobladores de la zona, para identificar los ciclos y calendarios más probables de siembra y cosecha del rubro en la zona (Figura 8).
Fuente: Elaboración propia.
4. Resultados
4.1. Base cartográfica agroproductiva
Producto del cruce entre las bases de datos del RUNOPPA y los registros del INTI, se obtuvo para la parroquia San Juan de Lagunillas 74 registros con 12 rubros agrícolas: Apio, cambur, cebolla, lechosa, limón, mandarina, naranja, papa, pimentón, plátano, tomate y caña panelera. Estos rubros suman en su totalidad 467 ha, de las cuales, treinta y nueve (39) registros o parcelas corresponden a la caña panelera, que ocupan una superficie de 180 ha (Figura 09).
Las parecelas de Caña panelera de la base cartográfica agroproductiva se dividieron de forma aleatoria en dos juegos de datos: 20 parcelas para el entrenamiento de la clasificación y 19 parcelas para la validación, como se aprecia en la Figura 10.
4.2. Clasificación supervisada. Máxima probabilidad Gaussiana
Para la categorización automática de la imagen, por medio del algoritmo de máxima probabilidad gaussiana, se establecieron dos categorías: Caña panelera y otras coberturas existentes en el área de estudio. De esta clasificación se obtuvo una superficie cultivada con caña panelera para el 27/03/2016 de 379,36 ha y para el 01/04/2017 un área de 361,37 ha (Figura 11). Esta superficie estimada al multiplicarla por los rendimientos promedios de la caña en la zona de 80 Tm/ha, obtendríamos 30.349 Tm y 28.909 Tm de caña panelera para la primera y segunda fecha respectivamente. El resultado para el año 2016 supera en más de 50% la producción de caña panelera reportada por las instituciones oficiales del Estado encargadas de recabar dicha información, el cuál fue de 250 ha al cierre del año. Para el año 2017 la institución oficial aún no había consolidado la información, pero se estima que supere en gran proporción la cifra captada por las vías convencionales.
4.3. Proceso de Validación
Los resultados obtenidos fueron objeto de dos procesos de validación, de manera de evaluar la precisión con la cual el algoritmo de clasificación estima las superficies de caña panelera. Estas validaciones se describen a continuación.
Este proceso consistió en determinar el área que estima la clasificación dentro de los 19 polígonos (parcelas) predefinidos en la base agroproductiva con la vocación de uso de caña panelera. Esta validación arrojó que el algoritmo de máxima probabilidad gaussiana estimó de las 112,37 ha que ocupan las 19 parcelas de caña panelera; 81,91ha (72%) y 84,47 ha (75%) para los años 2016 y 2017 respectivamente.
El segundo proceso de validación, se basó en una consulta a los técnicos de las instituciones oficiales que laboran en la parroquia San Juan de Lagunillas, así como de algunos lugareños del sector. Ésta consistió en que los participantes, a través de una mesa de trabajo, evaluaran las áreas que han sido estimadas por la clasificación para los años 2016-2017; obteniéndose como resultados que para el año 2016 la precisión, de acuerdo a los consultados es de 96% y para el año 2017 de 99 %.
Las dos validaciones demuestran que la precisión de los algoritmos de clasificación para estimar las áreas cultivadas supera el 72 %, valor bastante aceptable en este tipo de estimaciones.
5. Conclusiones
La evaluación del sistema de producción de caña panelera en la parroquia San Juan de Lagunillas mediante algoritmos de clasificación, registros agrarios y base cartográfica de unidades de producción, ha demostrado que se puede estimar con gran precisión tanto la superficie como la producción de rubros agrícolas en grandes extensiones; inclusive se puede captar mayor información que los métodos convencionales que poseen las instituciones oficiales. Muestra de ello es que para el año 2016, las clasificaciones identificaron 379 ha del cultivo caña panelera; resultados que representan más del 50% de la producción reportada por las instituciones del Estado (250 ha) encargadas de recabar dicha información. Para el año 2017 los algoritmos de clasificaciones identificaron 361 ha, superficie que se estima superé en gran proporción la información captada de forma convencional por los organismos oficiales, ya que aún no se ha consolidado la cifra.
El monitoreo de rubros agrícolas a través de los SIG y la Teledetección genera información oportuna y veraz de superficies cultivadas, permitiendo conocer su localización, distribución espacial, comportamiento y evolución en distintos períodos de tiempo, elementos valiosos para la planificación y toma de decisiones. Esta información al ser gestionada mediante una infraestructura adecuada, puede suministrar datos, información y las evaluaciones derivadas de estos, de manera eficiente a todos los actores productivos e institucionales vinculados al sector agroalimentario del Estado. Con estas herramientas se podrá hacer seguimiento y control a los planes de desarrollo agrícola, programas de financiamiento de la banca pública, proyectos y procesos productivos que se desarrollan en el sector.