SciELO - Scientific Electronic Library Online

 
 issue35Soybean Implantation with Biocontrol Microorganisms author indexsubject indexarticles search
Home Pagealphabetic serial listing  

Services on Demand

Journal

Article

Indicators

  • Have no cited articlesCited by SciELO

Related links

  • Have no similar articlesSimilars in SciELO

Share


Ciencia, docencia y tecnología

On-line version ISSN 1851-1716

Cienc. docencia tecnol.  no.35 Concepción del Uruguay Nov. 2007

 

CIENCIAS AGRARIAS - CIENCIAS MÉDICAS: INVESTIGACIÓN

Estimación de la APAR y la NPP mediante sensoramiento remoto en tres sectores de la Pampa Húmeda, Argentina*

Estimation of APAR and NPP through remote sensing in three sectors of the Humid Pampa (Argentina)*

Néstor C. Di Leo,**; Sergio Montico, Beatriz A. Bonel, Julio A. Denoia

*) Este artículo presenta resultados parciales del proyecto de investigación "Gestión de la energía en sistemas de producción de la región centro de Argentina", período 2006-2007, desarrollado en la Universidad Nacional de Rosario -UNR-; presentado en febrero 2007, aceptado en octubre 2007.
**) Director del proyecto; Profesor Asociado, cátedra Manejo de Tierras. Facultad de Ciencias Agrarias, UNR. E-mail: ndileo@unr.edu.ar

Resumen

La radiación fotosintéticamente activa (PAR) es importante como variable de entrada de energía en diversos procesos biológicos y su evaluación temporal tiene particular interés en el monitoreo de cultivos. Los datos de reflectancia espectral, obtenidos mediante sensores remotos, son adecuados para proporcionar observaciones de fenómenos que se relacionan con aspectos ecofisiológicos de las cubiertas vegetales, incluyendo a la productividad primaria neta (NPP). Ésta constituye una de las pocas fuentes de información acerca de los procesos del ciclo del carbono en escalas regionales o globales. La NPP se relaciona con la eficiencia del uso de la luz a través de la radiación fotosintéticamente activa absorbida (APAR) y representa un indicador agroecológico de utilidad para valorar la utilización productiva del territorio. El objetivo de este trabajo es presentar un aporte metodológico a la agroecología, mediante las caracterizaciones de la NPP y la APAR, en tres situaciones geográficas y productivas de la Pampa Húmeda, Argentina.

Palabras clave: Cultivos invernales; Productividad primaria neta; Radiación fotosintéticamente activa absorbida.

Abstract

The photosynthetically active radiation (PAR) is important as energy input in diverse biological processes and its temporal evaluation has particular interest in crops monitoring. The data of spectral reflectance, obtained through remote sensors, are useful to provide observations of phenomena that are related to ecophysiological aspects of vegetal covers, including the net primary productivity (NPP). This one constitutes one of the few sources of information about the processes of the cycle of carbon in regional or global scales. The NPP is related to the efficiency of the use of light through the absorbed photosynthetically active radiation (APAR) and represents a useful agroecology indicator to value the productive use of the territory. The objective of this work is to present a methodological contribution to the agroecology through the characterization of the NPP and the APAR, in three geographic and productive situations in the Humid Pampa, Argentina.

Key words: Winter crops; Net primary productivity; Absorbed photosynthetically active radiation.

I. Introducción

La problemática ambiental está estrechamente relacionada con los procesos sociales, políticos y económicos, lo cual complica nuestros esfuerzos para entenderla y solucionarla (Bryant y Bailey 1997, Peet y Watts, 1996). Para lograr una mejor comprensión de estos problemas, es necesario abordar nuevos enfoques de investigación y desarrollo que logren cruzar fronteras disciplinarias, así como múltiples dimensiones geográficas y políticas (Redclift, 1987; Thrupp, 1990).
A nivel general, el impacto de las actividades humanas sobre el medioambiente ha sido suficientemente estudiado y comprendido: el uso de combustibles fósiles, la deforestación y la degradación de los ecosistemas naturales ha provocado un incremento en la concentración de dióxido de carbono del orden del 30 % en las tres centurias pasadas, más de la mitad de este incremento ha ocurrido en los últimos 40 años (Vitousek y col., 1997). Éste, junto a otros factores, poseen obvios y perniciosos efectos sobre el calentamiento planetario y el cambio climático global (Chapin, 2003).
La agroecología surge como una disciplina para enfrentar los problemas causados por la agricultura moderna convencional. Desde su concepción más simple, la agroecología puede definirse como "la aplicación de principios ecológicos al entendimiento y desarrollo de agroecosistemas sostenibles" (Altieri, 1987; Gliessman, 1990). La evolución de la agroecología como una ciencia interdisciplinaria la convierte en una herramienta ideal para identificar las bases ecológicas y ambientales de un desarrollo socioeconómico más sustentable (Guzmán Casado y col., 1999). Sin embargo, hasta la fecha, este tipo de investigaciones apenas comienzan (Gliessman, 2000) y es necesario incrementar nuestros esfuerzos en el desarrollo de enfoques que realmente integren las realidades sociales y ecológicas. En este sentido, el concepto de sustentabilidad comprende "el logro de una condición de estabilidad entre los sistemas sociales y los sistemas físicos y biológicos, alcanzando a satisfacer las necesidades del presente sin comprometer la capacidad de generaciones futuras de satisfacer sus propias necesidades" (WCED, 1987).
Uno de los indicadores de sustentabilidad en agroecosistemas comprende la caracterización de la producción primaria vegetal bajo, condiciones de usos y manejos actuales, y su comparación con la productividad primaria vegetal en condiciones naturales, referidas a condiciones y a un período de tiempo determinado (Tsukenawa, 2004). En contraposición, la productividad primaria neta también podría representar una medida del estrés al que se somete el ambiente por la generación de fitomasa (Haberl, 1997; Gherza y col., 2000).
Debido a la influencia que ejerce sobre la producción primaria vegetal, como así en orden a su potencial aprovechamiento energético, la determinación de la radiación solar y la evaluación temporal y regional de su disponibilidad constituye un objetivo de carácter estratégico para el desarrollo de la sociedad (De la Casa y col., 2003). La radiación fotosintéticamente activa (PAR) es la región del espectro solar cuya longitud de onda está comprendida entre 400 y 700 nm. Los valores de PAR son importantes como dato de entrada de energía en diversos procesos biológicos y su evaluación temporal tiene particular interés en el seguimiento del crecimiento de cultivos. Debido a que las plantas realizan fotosíntesis y que la PAR es su fuente de energía, conocer la distribución espacial y temporal de la misma es fundamental para el análisis de los procesos biológicos asociados (Grossi Gallegos, 2003, 2004).
En este sentido, los datos de reflectancia espectral, obtenidos mediante sensores remotos, son capaces de proporcionar observaciones consistentes y extensas de fenómenos que pueden ser relacionados con parámetros ecofisiológicos de las cubiertas vegetales, incluyendo a la productividad primaria neta (NPP) (Roughgarden y col., 1991). La NPP es la cantidad de carbono almacenado en la masa vegetal viva, por unidad de tiempo y por unidad de superficie (Chen y col., 1999). La NPP es la diferencia entre la cantidad de carbono fijado por fotosíntesis (Productividad Primaria Bruta - GPP) y la respiración autotrófica de los vegetales (R) (Chen y col., 1999; Mellillo y col. 1996):

En efecto, la NPP se relaciona con la actividad fotosintética de las plantas y puede ser estimada desde imágenes captadas por sensores remotos a partir de patrones de absorción de la luz solar (Sellers y col., 1995; Prince y Goward, 1995). Por consiguiente, las técnicas de percepción remota que cuantifican la absorción de la luz solar en cubiertas vegetales han emergido como las fuentes principales de datos acerca de la NPP y ésta, a su vez, constituye una de las pocas fuentes de información acerca de los procesos de ciclado de carbono en escalas regionales o globales (Hall, 1992; Haberl, 1997; Fensholt y col., 2004). En tal sentido, Monteith (1972 y 1977) desarrolló métodos para estimar la productividad primaria vegetal (NPP) a partir de cuantificaciones de la radiación fotosintéticamente activa absorbida (APAR) y de estimaciones de la eficiencia de uso de la radiación por parte de los vegetales (LUE):

Donde NPP es la productividad primaria neta (g C·m- 2·t- 1), APAR es la radiación fotosintéticamente activa absorbida (MJ·m- 2·t- 1) y LUE es la eficiencia de uso de la radiación (g C·MJ- 1).
APAR puede ser estimado a partir de datos de satélite, típicamente desde la integral temporal y fenológica del Índice Verde de Diferencias Normalizadas (NDVI), siguiendo la ecuación:

Donde PAR es la radiación fotosintéticamente activa (entre 400 y 700 nm de long. de onda), equivalente aproximadamente al 50 % de la radiación global para una latitud dada y fPAR es la fracción de la PAR que es absorbida por los tejidos vegetales. La fPAR es una función de la sumatoria del NDVI para el período de tiempo analizado:

El objetivo de este trabajo es presentar una metodología para caracterizar la productividad primaria neta y la radiación fotosintéticamente activa absorbida, obtenidas mediante datos de sensores remotos, en tres situaciones geográficas y productivas diferentes de la Pampa Húmeda, en Argentina.

II. Materiales y Métodos

Se utilizaron imágenes satelitales Landsat 5, sensor TM, correspondientes a los path/row (pasada/fila): 226/83; 227/83 y 228/83. Las fechas de adquisición de estas imágenes fueron: 15 de septiembre de 2006, 21 de agosto de 2006 y 28 de agosto de 2006, respectivamente.
Primero, se procedió a la calibración radiométrica de las imágenes Landsat 5 TM mediante la conversión de sus números digitales (DN) a valores de radiancia espectral, basado en la ecuación (Oguro et al. 2003):

Donde BW es el ancho de banda en micrones, Lmin y Lmax son las radiancias espectrales para cada banda correspondientes a los números digitales (DN) mínimos (0) y máximos (255), respectivamente. En la Tabla Nº 1 se muestran las radiancias espectrales utilizadas para la calibración de las imágenes (Chander y Markham, 2003):

Tabla Nº 1: Radiancias espectrales para cada banda del Landsat-5 TM

Se realizó un relevamiento de campo y se definieron 79 sitios de entrenamiento, con los cuales se procedió a la clasificación supervisada del espacio agroproductivo en las imágenes mediante el algoritmo de "máxima verosimilitud" (Richards, 1999). Se obtuvieron los mapas de uso del suelo para el invierno 2006. Las clases espectrales finales obtenidas fueron:

1. Áreas forestadas y/o pastizales hidrófilos
2. Cultivo de trigo - pasturas artificiales
3. Rastrojos limpios
4. Rastrojos enmalezados
5. Pasturas naturales
6. Agua libre en superficie

Seguidamente se construyeron mapas de PAR para las fechas de toma de las imágenes, asumiendo que la PAR alcanza al 47 % de la radiación global (Rg) (Blackburn y Proctor, 1983), y habiéndose calculado ésta de acuerdo a la ecuación:

Donde:
Rg: radiación global
Ra: radiación astronómica
h/H: heliofanía relativa
a y b : coeficientes determinados por Pennman en 1948, cuyos valores son, respectivamente, 0,18 y 0,55.

Debido a que la radiación astronómica para una fecha determinada posee una distribución que depende de la latitud, los mapas de PAR correspondiente a la fecha de toma de cada imagen, se construyeron mediante interpolación lineal sobre la base del rango latitudinal correspondiente para cada imagen Landsat-5 TM según sus path/row (Tabla Nº 2).

Tabla Nº 2: Fecha de toma y límites norte y sur de cada imagen utilizada

A partir de los datos espectrales calibrados radiométricamente, se calculó el Índice Verde de Diferencias Normalizadas para las tres imágenes analizadas (Figura Nº 1), según la ecuación:

Donde:
NDVI: Índice Verde de Diferencias Normalizadas
IRc: Radiancia de la banda infrarroja cercana
R: Radiancia de la banda roja


Figura Nº 1. Índice verde de diferencias normalizadas para las imágenes analizadas 228/83: a; 227/83: b; 226/83: c.

Para el cálculo de la fPAR se empleó el modelo sugerido por Ruimy y col. (1994), calculado sobre una base diaria, en el cual:

A partir de las imágenes de PAR y de fPAR se determinó la APAR según la ecuación:

(5)

Seguidamente y en orden al cálculo de la NPP, se asignaron valores específicos de LUE según las clases espectrales obtenidas previamente mediante clasificación supervisada. Los valores de LUE para las diferentes clases fueron tomados del trabajo realizado por Gower et al., 1999 (Tabla Nº 3).

Tabla Nº 3. Valores de eficiencia de uso de la luz (LUE) utilizados para cada clase espectral analizada.

Finalmente, a partir de las imágenes de APAR y de LUE según las clases se calculó la NPP de acuerdo a la ecuación:

Donde:
NPP: Productividad Primaria Neta
APAR: Radiación Fotosintéticamente Activa Absorbida
LUE: Eficiencia de uso de la luz

Con las imágenes de APAR y NPP, se procedió a la delimitación de tres sub-sectores (en adelante señalados como 228/83*, 227/83* y 226/83*), que presentan rasgos distintivos entre sí según las siguientes características:
i) Secuencia de cultivos más habituales
ii) Proporción de pasturas naturales a nivel zonal
iii) Tipos de suelos.
iv) Oferta hídrica promedio.
v) Proporción de áreas menos alteradas antrópicamente.
Esto se realizó con el objetivo de evitar áreas de superposición espacial, y cada uno de éstos posee 4.200 columnas y 5.980 filas de las imágenes originales (25.116.000 píxeles), comprendiendo 2.260.440 hectáreas. Los límites espaciales de estos tres sub-sectores se presentan en la Tabla Nº 4. Las imágenes de APAR y NPP de los tres sub-sectores se presentan en las Figuras Nº 2 y 3, respectivamente.

Tabla Nº 4. Límites espaciales de los tres sub-sectores definidos dentro de cada imagen satelital


Figura Nº 2. Imágenes de APAR para los sub-sectores 228/83*: a; 227/83*: b; 226/83*: c


Figura Nº 3. Imágenes de NPP para los sub-sectores 228/83*: a; 227/83*: b; 226/83*: c

III. Resultados y Discusión

En la Tabla Nº 5 se presentan los resultados de la clasificación supervisada realizada para los tres sub-sectores de las imágenes satelitales de path/row 228/83, 227/83 y 226/83, señalados como 228/83*, 227/83* y 226/83* respectivamente.

Tabla Nº 5. Superficie comprendida por cada clase en cada sub-sector de trabajo

Se destaca la gran superficie ocupada por las clases "Áreas forestadas y/o pastizales hidrófilos" y "Agua libre en superficie" en el subsector 226/83*, en correspondencia con la extensa área de bañados correspondiente al alto delta del Río Paraná.
La clase "Cultivo de trigo - pasturas artificiales" presenta valores similares entre los tres sub-sectores, probablemente debido a un reemplazo de los cultivos de trigo por pasturas artificiales de este a oeste. Esto fue verificado empíricamente en oportunidad de la realización del trabajo de campo.
La sumatoria de las clases "Rastrojo limpio" y "Rastrojo enmalezado", con respecto al total de superficie utilizada en actividades agropecuarias (restando las áreas forestadas y humedales presentes) representa el 54,26 %, 49,67 % y el 39,90 %, para los sub-sectores 228/83*, 227/83* y 226/83*, respectivamente.
En la Tabla Nº 6 y Gráfico Nº 1 se presentan los valores de APAR correspondientes a las fechas de toma de las imágenes satelitales, en términos de su promedio espacial, para cada uno de los sub-sectores de trabajo y de acuerdo a las clases espectrales obtenidas de la clasificación de las imágenes satelitales utilizadas, la clase "Agua libre en superficie" fue descartada debido a que asume valores nulos.

Tabla Nº 6. Valores promedios de radiación fotosintéticamente activa absorbida (APAR) para cada clase considerada


Gráfico Nº 1. Valores promedios de radiación fotosintéticamente activa absorbida (APAR) para cada clase considerada.

En la Tabla Nº 7 y Gráfico Nº 2 se presentan los valores de NPP, para las clases consideradas en los tres sub-sectores de trabajo, también en términos de su promedio espacial.

Tabla Nº 7. Valores promedio de productividad primaria neta (NPP) para cada clase considerada


Gráfico Nº 2. Valores promedio de productividad primaria neta (NPP), para cada clase espectral considerada

Se observa una diferencia entre los tres sub-sectores, tanto para la APAR como para la NPP, en las clases "Cultivo de trigo - pasturas artificiales" y "Pasturas naturales", decreciendo de este a oeste. Esto concuerda con la oferta hídrica de la presente campaña triguera, la cual ha sido óptima en amplios sectores del sur de la provincia de Entre Ríos y muy escasa en la provincia de Córdoba (GEA-BCR, comunicación personal).
Para la clase correspondiente a "Áreas forestadas y/o pastizales hidrófilos" se observa que, si bien existen diferencias entre zonas, las mismas son de una magnitud significativamente menor que para las clases anteriores. Además, esta clase posee una escasa superficie en los subsectores de trabajo 228/83* y 227/83* (correspondientes a Córdoba y Santa Fe, respectivamente).
En cuanto a la magnitud de variación que podría existir debido a que la imagen 226/83 es 24 días posterior a la 227/83 y 17 días posterior a la imagen 228/83, analizando los sectores de superposición entre ambas imágenes, surge que la magnitud de variación debido al efecto combinado de avance fenológico más el aumento de la PAR por aproximarse a la primavera, no supera el 11 % para ninguna de las clases espectrales consideradas, atribuyéndose la variación restante a la diferencia en la oferta hídrica ya mencionada.
En la Tabla Nº 8 se presentan los valores totales de APAR para cada sub-sector de trabajo por cada clase espectral considerada. En la Tabla Nº 9 se observa la contribución porcentual de cada clase al total. Del mismo modo, en la Tabla Nº 10 se presentan los valores totales de NPP para cada sub-sector de trabajo por cada clase espectral considerada. La Tabla Nº 11 muestra la contribución porcentual de cada clase al total.

Tabla Nº 8. Valor total de APAR por clase: promedio espacial por la superficie ocupada por cada clase

Tabla Nº 9. Contribución porcentual de cada clase en el total de APAR de cada sub-sector de trabajo

Tabla Nº 10. Valor total de NPP por clase: promedio espacial por la superficie ocupada por cada clase

Tabla Nº 11. Contribución porcentual de cada clase en el total de NPP de cada sub-sector de trabajo

Tomando a cada sub-sector de trabajo como una única entidad espacial, se observa que la captación de energía proveniente del sol (caracterizada por la APAR) y la generación de fitomasa (estimada a partir de los valores de NPP) es mucho mayor en el sub-sector 226/83 (correspondiente a Entre Ríos) que en los restantes (Gráficos Nº 4 y 6).


Gráfico Nº 3. Valor total de APAR por clase: promedio espacial por la superficie ocupada por cada clase


Gráfico Nº 4. Valor de APAR total para cada sub-sector de trabajo


Gráfico Nº 5. Valor total de NPP por clase: promedio espacial por la superficie ocupada por cada clase


Gráfico Nº 6. Valor de NPP total para cada sub-sector de trabajo

La menor superficie de la clase "Cultivo de trigo - pasturas artificiales" con respecto a la clase "Pasturas naturales" provoca un mayor valor de APAR total para esta última; esto es previsible ya que la APAR se relaciona con el índice de área foliar (LAI) de la cobertura vegetal (Gower, y col., 1999).
La misma comparación en cuanto a la NPP muestra resultados contrapuestos. La contribución de la clase "Cultivo de trigo - pasturas artificiales" supera a la de las "Pasturas naturales", aun con una menor superficie con respecto al total del área en estudio. Esto se debe a la magnitud de la diferencia en la eficiencia de uso de la luz (LUE) de una y otra cobertura vegetal; lo cual es esperable porque los cultivos han sido seleccionados (ya sea para cosecha de granos o de forrajes) en base a su capacidad de convertir los recursos del ambiente en productos útiles para el hombre o los animales (Ruimy y col., 1994; Prince y Goward, 1995).
De los datos obtenidos surge que, para la campaña invernal analizada, los valores totales de APAR por cada sub-sector están más relacionados a la utilización del espacio agroproductivo (proporciones de cultivos invernales, pasturas artificiales y presencia de pastizales naturales), que a las diferencias en los valores de APAR entre las clases espectrales consideradas según las diferencias de precipitaciones entre las tres zonas.
Con respecto a la NPP, además de la influencia de la cantidad de superficie ocupada por cada clase espectral, influye la contribución proporcional de los cultivos de cosecha o forraje (clase "Cultivo de trigo y pasturas artificiales") debido a lo anteriormente explicado.
Desde el punto de vista agroecológico, la alta proporción de rastrojos en los sub-sectores 228/83* y 227/83* constituye un desaprovechamiento del espacio geográfico en cuanto a la captación de energía solar y generación de fitomasa, que también atenta contra los valores totales de APAR y NPP de estos dos subsectores.
De acuerdo a lo postulado por Tsukenawa (2004), la comparación de la NPP en la situación actual de un área dada y la NPP de una condición de estado natural sería un indicador de la sustentabilidad de las actividades agroproductivas que se desarrollan en dicha área. En relación a esto, se compararon las cifras totales de NPP de todas las clases excluida la de "Áreas forestadas y/o pastizales hidrófilos" frente a la cifra de NPP de la misma superficie, como si estuviera cubierta totalmente con pasturas naturales (condición más relacionada con los pastizales graminosos originales) (Tabla Nº 12).

Tabla Nº 12. Comparación entre la NPP en el estado agroproductivo actual y la NPP de una condición supuesta de ocupación total por parte de pasturas naturales.

De lo cual surge que, para el período invernal analizado, la alta proporción de superficie sin cobertura vegetal viva, determina una condición de sustentabilidad comprometida en los sub-sectores 228/83* y 227/83*, y una situación algo menos crítica, pero igualmente deficitaria, en el sector 226/83*.

IV. Conclusiones

El procesamiento de los datos de satélite permitió determinar los montos de radiación fotosintéticamente activa absorbida (APAR) y de productividad primaria neta (NPP) en una base temporal diaria, para los tres sectores definidos de la Pampa Húmeda, y dilucidar las causas y relaciones agroecológicas que controlan estas diferencias.
Los resultados obtenidos indicarían que, para el período invernal, las modalidades de producción agropecuaria en la mayor proporción del área estudiada, desaprovecharían importantes cantidades de energía solar que podría ser convertida en productos útiles tanto para la sociedad como para el medioambiente, además de atentar contra la sustentabilidad. Seria deseable que en el futuro la valoración de ciertas prácticas agronómicas incorpore variables agroecológicas como las aquí presentadas.
Finalmente, de acuerdo con los resultados obtenidos en este estudio, la posibilidad de referenciación espacial de estos indicadores brinda un soporte estratégico para la planificación territorial.

Agradecimientos

A la Comisión Nacional de Actividades Espaciales (CONAE) por haber proporcionado gentilmente las imágenes satelitales para realizar el presente trabajo.

Referencias bibliográficas

1. ALTIERI, M. (1987). Agroecology: the scientific basis of alternative agriculture. Boulder, CO: Westview Press.         [ Links ]

2. BLACKBURN, W.; PROCTOR, J. (1983). Estimating photosinthetically active radiation from measured solar irradiance, en: Solar Energy 31 (2), pp. 233-234.         [ Links ]

3. BRYANT, R; BAILEY, S. (1997). Third World political ecology. London: Routledge.         [ Links ]

4. CHANDER, G.; MARKHAM, B. (2003). Revised Landsat-5 TM Radiometric Calibration Procedures and Postcalibration Dynamic Ranges, en: IEEE Transactions on Geoscience and Remote Sensing, Vol. 41, Nº 11, pp. 2674-2677.         [ Links ]

5. CHAPIN, F. (2003). Effects of plant traits on ecosystems and regional processes: a conceptual framework for predicting teh consequences of global change, en: Annals of Botany 91, pp. 455-463.         [ Links ]

6. CHEN, J.; LIU, J.; CIHLAR, J.; GOULDEN, M. (1999). Daily canopy photosynthesis model through temporal and spatial scaling for remote sensing applications, en: Ecological Modelling 124, pp. 99-119.         [ Links ]

7. DE LA CASA, A.; OVANDO, G.; RODRÍGUEZ, A. (2003). Estimación de la radiación solar global en la provincia de Córdoba, Argentina, y su empleo en un modelo de rendimiento potencial de papa, en: RIA, 32 (2), pp. 45-62. INTA, Argentina.         [ Links ]

8. FENSHOLT, R.; SANDHOLT, I.; RASMUSSEN, M. (2004). Evaluation of MODIS LAI, fAPAR and the relation between fAPAR and NDVI in a semi-arid environment using in situ measurements, en: Remote Sensing of Environment 91, pp. 490-507.         [ Links ]

9. GHERSA, C.; OMACINI, M.; FERRARO, D.; MARTINEZ-GHERZA, M.; PERELMAN, S.; SATORRE, E.; SORIANO, A. (2000). Estimación de indicadores de sustentabilidad de los sistemas mixtos de producción en la Pampa interior, en: Revista Argentina de Producción Animal 2 (1), pp. 49-66.         [ Links ]

10. GLIESSMAN, S. (1990). Agroecology: researching the ecological basis for sustainable agriculture. New York: Springer-Verlag.         [ Links ]

11. GLIESSMAN, S. (2000). Agroecosystem sustainability: developing practical strategies. Boca Raton FL: CRC Press.         [ Links ]

12. GUÍA ESTRATÉGICA PARA EL AGRO (GEA). (2006). Datos de la red de estaciones agrometeorológicas. Bolsa de Comercio de Rosario.         [ Links ]

13. GOWER, S.; KUCHARIK, C.; NORMAN, J. (1999). Direct and indirect estimation of leaf area index, fAPAR, and net primary production of terrestrial ecosystems, en: Remote Sensing of Environment 70, pp. 29-51.         [ Links ]

14. GROSSI GALLEGOS, H. (2003). Estimación de la distribución espacial en Argentina de la Radiación Fotosintéticamente Activa (PAR), en: Anais do XIII Congresso Brasileiro de Agrometeorologia, vol.1, pp. 543-544, Santa María, RS, Brasil.         [ Links ]

15. GROSSI GALLEGOS, H. (2004). Distribución espacial de la radiación fotosintéticamente activa (PAR) en Argentina, en: Meteorológica 29 (1 y 2). pp. 27-36.         [ Links ]

16. GUZMÁN CASADO, G; GONZÁLEZ DE MOLINA, M; SEVILLA-GUZMÁN, E. (1999). Introducción a la agroecología como desarrollo rural sostenible. Madrid: Mundi-Prensa.         [ Links ]

17. HABERL, H. (1997). Human apropiation of Net Primary Production as An Enviromental Indicator. Implications of sustainable development, en: Report Ambio, vol 26, Nº3.         [ Links ]

18. HALL, F.; HUEMMRICH, K.; GOETZ, S.; SELLERS, P.; NICKESON, J. (1992). Satellite remote sensing of surface energy balance: success, failures, and unresolved issue in FIFE, en: Journal of Geophysical Research 97 (19), pp. 061-089.         [ Links ]

19. MELILLO, J.; PRENTICE, I.; FARQUHAR, G.; SCHULZE, E.; SALA, O. (1996). Terrestrial biotic response to environmental change and feedbacks to climate. In: Houghton, J.; Meira Filho, L.; Callander, B.; Harris, N.; Kattenberg, A.; Maskell, K. (Eds.), Climate Change 1995. (pp. 445-482). Cambridge: Cambridge University Press.         [ Links ]

20. MONTEITH, J. (1977). Climate and the efficiency of crop production in Britain, en: Philosophical Transactions of the Royal Society of London. Series B, 281, pp. 277-294.         [ Links ]

21. MONTEITH, J. (1972). Solar radiation and productivity in tropical ecosystems, en: Journal of Applied Ecology, 9, pp. 747- 766.         [ Links ]

22. OGURO, Y.; SUGA, Y.; TAKEUSHI, S.; OGAWA, H.; TSUCHIYA, K. (2003). Monitoring of a rice field using Landsat-5 TM and Landsat-7 ETM+ data, en: Advanced Space Research Vol. 32, Nº 11, pp. 2223-2228.         [ Links ]

23. PEET, R.; WATTS, M. (1996). Liberation ecologies. London: Routledge.         [ Links ]

24. PRINCE, S. D.; GOWARD, S. N. (1995). Global primary production: A remote sensing approach, en: Journal of Biogeography, 22, pp. 815- 835.         [ Links ]

25. REDCLIFT, M. (1987). Sustainable development: exploring the contradictions. London: Methuen.         [ Links ]

26. RICHARDS, J. A. (1999). Remote Sensing Digital Image Analysis. Berlin: Springer-Verlag.         [ Links ]

27. ROUGHGARDEN, J.; RUNNING, S. W.; MATSON, P. A. (1991). What does remote sensing do for ecology?, en: Ecology, 72, pp. 1918- 1922.         [ Links ]

28. RUIMY, A.; SAUGIER, B.; DEDIEU, G. (1994). Methodology for the estimation of terrestrial net primary production from remotely sensed data, en: Journal of Geophysical Research, 99, pp. 5.263- 5.283.         [ Links ]

29. SELLERS, P. J.; MEESON, B. W.; HALL, F. G.; ASRAR, G.; MURPHY, R. E.; SCHIFFER, R. A.. (1995). Remote sensing of the land surface for studies of global change: Models-algorithms- experiments, en: Remote Sensing of Environment, 51, pp. 3 - 26.         [ Links ]

30. THRUPP, L. (1990). Environmental initiatives in Costa Rica: a political ecology perspective, en: Society and Natural Resources, 3, pp. 243-356.         [ Links ]

31. TSUKENAWA, A. (2004). Monitoring of Biological Land Productivity and Evaluation of its Sustainability, en: Letters of The University of Tokyo. Tokyo: Graduate School of Agricultural & Life Sciences.         [ Links ]

32. VITOUSEK, P.; MOONEY, H.; LUBCHENCO, J.; MELILLO, J. (1997). Human domination of Earth's ecosystems, en: Science 277, pp. 494-499.         [ Links ]

33. WORLD COMMISSION ON ENVIRONMENT AND DEVELOPMENT (1987). Our Common Future. Oxford: Oxford University Press.         [ Links ]

Creative Commons License All the contents of this journal, except where otherwise noted, is licensed under a Creative Commons Attribution License