Interpretación de:
Construction of Linear Models for the Normalized Vegetation Index (NDVI) for Coffee Crops in Peru Based on Historical Atmospheric Variables from the Climate Engine Platform
https://doi.org/10.3390/atmos15080923García, L., Veneros, J., Oliva-Cruz, M., Olivares, N., Chavez, S., Rojas-Briceño, N., 2024: Construction of Linear Models for the Normalized Vegetation Index (NDVI) for Coffee Crops in Peru Based on Historical Atmospheric Variables from the Climate Engine Platform, Atmosphere, 15, 923, https://doi.org/10.3390/atmos15080923
Intérprete
Tucto Lopez Alber Maycol
Fecha de interpretación
16/07/2026
Revisor
Veneros Guevara Jaris Emmanuel
Resultados y conclusiones
Se evidenció que los valores promedio históricos del NDVI en los cultivos de café oscilaron entre 0.597 y 0.760, lo cual demuestra que la planta produce pero bajo ciertas condiciones de estrés que limitan su vigor fotosintético, siendo el distrito de Huambo el más afectado. Los modelos de regresión lineal desarrollados lograron explicar la variabilidad del NDVI basándose en factores climáticos, alcanzando un R² de 60% para Sauce, 20% para Rumiaco y 14% para Huambo. Se concluye que la plataforma Climate Engine es una herramienta satelital sumamente eficaz para generar estrategias de manejo en el cultivo del café a futuro, comprobando además que la altitud tiene una fuerte correlación negativa con el vigor de las plantas.
Metodología y datos
El estudio analizó tendencias históricas en series de tiempo (2000-2022) utilizando la plataforma de computación en la nube Climate Engine para extraer datos del Índice de Vegetación de Diferencia Normalizada (NDVI) a partir de imágenes satelitales Landsat (5, 7, 8 y 9 a 30 m de resolución). Se monitorearon 12 píxeles georreferenciados en tres zonas cafetaleras (Huambo, Rumiaco y Sauce). Posteriormente, se descargaron variables climáticas (precipitación, temperaturas máximas/mínimas y humedad relativa) y se aplicó una prueba de Wilcoxon y correlación de Pearson, culminando con la construcción de Modelos de Regresión Lineal (LRM) en el software R Studio para relacionar el vigor del dosel con las condiciones atmosféricas.
Limitaciones de la investigación
La investigación reconoce que, aunque los modelos climáticos son útiles, existen otras variables externas como los tipos de suelo, el manejo nutricional, el uso específico del terreno y factores bióticos que también influyen en el NDVI y que no fueron incluidos. Por ejemplo, los valores de R² en Rumiaco (20%) y Huambo (14%) indican que hay una gran porción de la variabilidad del cultivo no explicada solo por el clima. Asimismo, el uso de datos satelitales puede verse contaminado por nubosidad (ruido) o por no delimitar perfectamente las tierras agrícolas de las no agrícolas.
Recomendaciones
Se recomienda implementar un monitoreo exhaustivo de estrés fisiológico e hídrico específicamente en la zona de Huambo, ya que sus índices NDVI más bajos sugieren un mayor grado de vulnerabilidad. Además, es crucial que futuras investigaciones agrometeorológicas incorporen herramientas como Climate Engine para evaluar la sensibilidad del índice frente a la presencia de plagas importantes, como el bicho minador (Leucoptera coffeella), y realizar correcciones de ruido en los datos satelitales antes del análisis.
Adaptación: Agricultura, Agua, Bosques
Mitigación: Agricultura, Energía, Uso de suelo, cambio de uso de suelo y silvicultura
Escala: Provincial
Ámbito geográfico: Provincia de Rodríguez de Mendoza,Distrito de Huambo, Sector Rumiaco,Sector Sauce,Amazonas
Palabras clave: NDVI, café, Climate Engine, modelo de regresión lineal, , agrometeorología, Rodríguez de Mendoza, teledetección
Cita de la interpretación
Tucto Lopez, Alber Maycol, 2026: Interpretación de García et al. (2024, doi:10.3390/atmos15080923), Observatorio de Conocimiento Científico sobre Cambio Climático del Perú, IGP, https://cienciaclimatica.igp.gob.pe/entities/interpretation/a242d313-60c1-4b32-819a-a0f6cab6924d