2. REVISIÓN BIBLIOGRÁFICA

Se necesitan métodos simples, confiables y que puedan ser repetidos, por esto es que la utilización del Sistema de Clasificación de Ecorregiones propuesto por GASTÓ, COSIO y PANARIO (1993) puede contribuir al desarrollo de estos métodos, ya que una de sus premisas es la creación de un sistema jerarquizado que permita caracterizar y diagnosticar ecosistemas (LÓPEZ, GASTÓ y COSIO, 1995); entre distintos ecosistemas pueden existir áreas homólogas, lo que permitiría que métodos desarrollados para una zona puedan repetirse en otras de similares características.

Por otra parte, el uso de fotografías digitales puede transformarse en una valiosa herramienta que facilite la evaluación y comprensión de los pastizales, principalmente por su simpleza de uso y la posibilidad de obtener gran cantidad de imágenes en poco tiempo (PARUELO, LAUENROTH y ROSET, 2001).

Con todos estos antecedentes, se plantea como hipótesis del estudio la posibilidad de estimar la productividad primaria de praderas mediante el análisis de imágenes digitales, en praderas características de la Provincia Secoestival Nubosa o Valparaíso.

El objetivo principal de este estudio, será evaluar un método de estimación de productividad primaria basado en la determinación de la cobertura de suelo, mediante el análisis de imágenes digitales en praderas características de la Provincia Secoestival Nubosa o Valparaíso (Subprovincia San Antonio).

Como objetivo secundario será verificar si existe comportamiento lineal en las relaciones entre la distribución espacial de la vegetación (altura o estatura y cobertura de suelo), y su biomasa en la pradera de la Provincia Secoestival Nubosa o Valparaíso (Subprovincia San Antonio).

2. REVISIÓN BIBLIOGRÁFICA

2.1. El Sistema de Clasificación de Ecorregiones:

El Sistema de Clasificación de Ecorregiones (GASTÓ, COSIO y PANARIO, 1993) nace de la necesidad de conocer las estructura y funcionamiento de un ecosistema, lo que posibilita intervenirlo de manera eficiente (GASTÓ, 1981). Este sistema define nueve categorías jerarquizadas según la permanencia de los elementos ecosistémicos que las definen. Ordenadas de mayor a menor permanencia, las categorías resultantes son las siguientes (GALLARDO y GASTÓ, 1987):

1. Reino 2. Dominio 3. Provincia 4. Distrito 5. Sitio 6. Uso 7. Estilo 8. Condición y 9. Tendencia.

Las elementos ecosistémicos permanentes corresponden a aquellos de carácter climático, geomorfológico y edáfico (incluyendo al sitio); las variables ecosistémicas son el uso, el estilo, la condición y la tendencia.

Cada una de estas categorías corresponde a un nivel de resolución determinado dentro del cual son válidas las resoluciones que se tomen; por ejemplo, generalidades que se hagan según la información entregada por alguna de las categorías, o decisiones de planificación y desarrollo (GASTÓ, SILVA y COSIO, 1990).

Los conceptos de sitio y condición son ampliamente utilizados por investigadores en Estados Unidos, Canadá, México, Sudáfrica y Australia para el estudio de praderas, bosques y recursos naturales renovables (GASTÓ, COSIO y PANARIO, 1993).

2.1.1. El concepto de Distrito:

El Distrito es la unidad básica de caracterización física de un territorio. Corresponde a un ecosistema de pastizal caracterizado por geoformas determinadas, delimitadas a su vez por la pendiente (GASTÓ, SILVA y COSIO, 1990). La clasificación de distritos se basa en las geoformas identificadas por MURPHY (1968); este autor propuso tres niveles de geoformas, de los cuales se utiliza el segundo nivel, que establece seis tipos de regiones topográficas. Como criterio para definir los distritos en el Sistema de Clasificación de Ecorregiones, se utiliza la pendiente; ésta suele estar asociada a paisajes característicos que tienen una expresión adecuada a la escala de trabajo. A cada categoría de pendiente se le asocia el nombre vulgar de la geoforma; siguiendo este criterio, PANARIO, GALLARDO y GASTÓ (1988) definen las siguientes cinco clases de distritos:

Pendiente 1. Depresional < 0.0% 2. Plano > = 0.0% < 10.5% 3. Ondulado > = 10.5% < 34.5% 4. Cerrano > = 34.5% < 66.5% 5. Montano > = 66.5%

La determinación de distritos se puede hacer mediante cartas topográficas (utilizando la distancia entre curvas de nivel), la interpretación de imágenes satelitales, el uso de pares estereoscópicos (superposición de imágenes), y la determinación en terreno con eclímetro, instrumento que mide ángulos y pendientes (SILVA, 1991).

2.1.2. El concepto de Sitio:

Dentro del Sistema de Clasificación de Ecorregiones, el sitio es la unidad básica de un ecosistema, con características de permanencia y que presta utilidad (REPAAN, 1991).

El sitio está determinado por variables fisiográficas que lo hacen diferente de otros en su capacidad potencial de producir distintas calidad y cantidad de vegetación (DYKSTERHUIS, 1949). Idealmente, esta categoría puede ser determinada por la vegetación natural que la caracteriza; sin embargo, lo habitual es que la vegetación natural del sitio se encuentre alterada o ausente. Debido a esto, las clases de sitios deben definirse por aquellos atributos de mayor permanencia, y no por los más notorios o visibles (GASTÓ, SILVA y COSIO, 1990). Las variables más relevantes y permanentes a considerar son

Textura - Profundidad, e Hidromorfismo,

Además de otras que se consideran cuando se constituyen en limitantes del sistema (GASTÓ, COSIO y PANARIO, 1993); estas variables fueron definidas por PANARIO et al. (1988) y son las siguientes:

Pendiente (T) Exposición (E) Reacción (R) Salinidad – Sodio (S) Fertilidad (F) Pedregosidad (P) Materia Orgánica (M) Inundaciones (I)

Un sitio comprende un grupo de suelos o áreas abióticamente homólogas (en base a las variables mencionadas anteriormente); como consecuencia de aquello, estas áreas son similares tanto cualitativa como cuantitativamente, por lo que su manejo debe ser el mismo (GASTÓ, SILVA y COSIO, 1990).

La determinación de sitios sigue comúnmente los siguientes pasos (SILVA, 1991):

- Determinación visual de un área homogénea.

- Barrenado hasta una profundidad de 1.2 a 1.5 m en diferentes lugares. - Determinación al tacto de texturas de diferentes estratas.

- Obtención de muestras de suelo de los primeros 30 cm. - Análisis de laboratorio de las muestras.

2.1.3. El concepto de Condición:

La condición del sitio se basa en conceptos de sucesión y retrogradación hacia y desde una comunidad climácica de plantas. En la colonización del suelo desnudo, las especies ocupan progresivamente el territorio según su grado de adaptación a las condiciones ambientales. Como resultado de esta colonización, el ecosistema es alterado, formándose nuevos nichos y hábitats. Este mecanismo de cambio desencadena un nuevo proceso de adaptación y ocupación de territorios por parte de nuevas especies, lo que se repite en el tiempo hasta que el ecosistema alcanza un equilibrio entre sus componentes biótico y abiótico. A este estado de la sere o sucesión ecológica se le denomina clímax (INFANTE, 1986).

DYKSTERHUIS (1949), establece como consideraciones básicas para el método de la condición el reconocimiento de una sucesión secundaria después de un tipo de clímax, y el uso de la composición florística para indicar la condición o posición de dicho pastizal en esta sucesión; asimismo, define para este método las siguientes variables:

i) La delimitación de sitios basado en el diferencias entre composición florística y producción de forraje.

ii) Delineación de las clases de condición basada en el porcentaje de plantas decrecientes, crecientes e invasoras, como medida de la cantidad relativa en el clímax del sitio.

iii) Carga animal recomendada basada en recomendaciones de estaciones experimentales cercanas, y

iv) Transectos interceptores localizados en áreas estratégicas que proporcionen comprobaciones cuantitativas de la efectividad el manejo.

A partir de esos elementos, se define entonces condición como “el porcentaje de la vegetación presente que es original para el sitio” (DYKSTERHUIS, 1949); en términos prácticos, la condición es la productividad de tejido vegetal consumible de la pradera, en relación a la productividad potencial del sitio (GASTÓ, 1973). Esta proporción o relación se establece en base a materia seca en ambas etapas sucesionales (VALENZUELA, 1986); la condición, por lo tanto, es utilizada para detectar cambios en el potencial de los parámetros cuantitativos o cualitativos de un sitio (AZÓCAR, 1991).

Los pasos establecidos en la determinación de la condición son los siguientes (GALLARDO y GASTÓ, 1987):

a) Clasificación del sitio

b) Determinación de la composición botánica c) Clasificación de la condición de la pradera

GASTÓ, COSIO y PANARIO (1993) definen cinco categorías de condición:

Excelente: El sitio produce aproximadamente todo el forraje posible bajo el menor manejo práctico (5/5 del potencial productivo).

mayor presencia de especies acrecentantes que en la condición Excelente. Regular: La productividad sólo alcanza la mitad del potencial.

Pobre: La productividad se reduce a 2/5 del potencial.

Muy pobre: Predominio de especies invasoras. Sólo 1/5 del potencial es alcanzado.

2.2. Productividad primaria:

La productividad primaria de un sitio corresponde a la fitomasa que produce por unidad espacial (GONZÁLEZ, 1998). La medición de la fitomasa es esencial en un sistema de producción animal para definir las estrategias de utilización de la pradera (ACKERMAN et al., 1999, O’DONOVAN y DILLON, 1999, PIEPER, 1978).

La productividad primaria depende del sitio, su condición y composición botánica entre otros factores (GONZÁLEZ, 1998). Debe notarse que la medición de la fitomasa es representativa del momento en que se realiza, ya que cambia diariamente (‘t MANNETJE, 2000), por lo que sólo el registro de la misma a través del tiempo permite estimar la productividad.

2.3. Medición de la materia seca:

La biomasa de los pastizales se refiere a todo el material herbáceo presente sobre el suelo, y es expresada comúnmente como rendimiento en materia seca (‘taMANNETJE, 2000).

Entre las distintas técnicas de estimación de la materia seca, el método del cuadrante es el más certero (CATCHPOLE y WHEELER, 1992, BENKOBI et al., 2000, HOLECHEK, PIEPER Y HERBEL, 2001). Consiste en cortar toda la masa vegetal dentro de un área determinada a nivel de suelo; posteriormente la fitomasa es secada en un horno deshidratador durante 48 a 72 h, a una temperatura que varía entre 60 y 65 ºC, para evitar la desnaturalización de las proteínas; luego, la muestra deshidratada es pesada, dando una medida precisa de la materia seca.

Este método ayuda también en la determinación de la composición botánica de un sitio según el peso de cada especie (JONES, 2004). Sin embargo, su utilidad práctica está limitada al área de la investigación como herramienta de calibración de otros métodos (‘t MANNETJE, 2000), por ser un método destructivo y exigente en tiempo y recursos, especialmente para los productores (BRUMMER et al., 1994, HARMONEY et al., 1997, WEBER y RUSSELL, 2002).

Entre los métodos o instrumentos que son calibrados mediante el uso del cuadrante se encuentran las sondas de capacitancia (ej: pasture probe), las reglas de medición de altura (sward sticks), y los platos de medición de materia seca (rising plate meters) (O’DONOVAN y DILLON, 1999).

La estimación visual es el método más simple y menos costoso; puede ser posible para un experto familiarizado con la pradera estimar la cantidad de materia seca con un error menor a 1 ton / ha (O’DONOVAN y DILLON, 1999). No obstante, según ‘taMANNETJE (2000) estas estimaciones pueden ser más certeras utilizando como referencia estándares fotográficos de rendimientos de materia seca conocidos. Este mismo autor señala, sin embargo, que la precisión de la medición, cuando se habla en términos de ton/ha, debiera expresarse como máximo en cientos de kg (+/- 100kg).

Los métodos fotográficos son utilizados comúnmente en monitoreo de pastizales, para apreciar visualmente cambios en el tiempo en la cobertura y estructura de la vegetación (JONES, 2004). Como fortalezas se menciona su capacidad para sintetizar en imágenes la información sobre el sitio, y la posibilidad de combinarse con observaciones en terreno o mediciones cuantitativas (JONES, 2004), además de ser un método relativamente rápido y poco costoso. Sin embargo, las imágenes utilizadas en monitoreo generalmente no son apropiadas por sí solas para un análisis cuantitativo del pastizal, debido a obstrucciones y distorsiones ocasionadas al ser tomadas en perspectiva (ZHOU y ROBSON, 2001). No obstante lo anterior, si las imágenes son obtenidas desde cierta altura sobre un plano horizontal, este

método se convierte en una extensión natural del método del cuadrante, puesto que los límites de la imagen serían análogos a los límites del cuadrante, lo que permite analizar la imagen para determinar distintas características de la vegetación (ZHOU y ROBSON, 2001).

2.4. Análisis de imágenes digitales:

En el último tiempo, la fotografía digital se ha convertido en un método común y económico de documentación y presentación de imágenes por parte de la comunidad científica (KARCHER y RICHARDSON, 2003). Las imágenes obtenidas mediante una cámara digital poseen la ventaja de ser fáciles de traspasar a un computador personal para su posterior procesamiento; las imágenes están constituidas por píxeles compuestos a su vez por los colores verde, rojo y azul, característica que permite alterar los colores de la imagen facilitando así el análisis de la misma (HALL, 2001).

El análisis computacional de imágenes digitales como aproximación a la productividad primaria mediante la estimación de la cobertura vegetal es relativamente reciente en la literatura agronómica, probando ser una técnica confiable. Diversos autores han obtenido buenos resultados al usar la cobertura vegetal como predictor de la biomasa, trabajando ya sea con comunidades multiespecíficas de plantas (PARUELO, LAUENROTH y ROSET, 2001; IPPOLITI, RESCHUTZEGGER y DA COSTA, 2003) o especies individuales (LUKINA, STONE y RAUN, 1998; PURCELL, 2000; RÖTTGERMANN et al., 2000; RICHARDSON, KARCHER y PURCELL, 2003). También se ha utilizado el análisis de imágenes digitales con distintos propósitos en la investigación de las plantas, como la estimación del grado de madurez en cereales (ADAMSEN et al., 1999), la identificación y conteo de flores (ADAMSEN et al., 2000), la cuantificación del color del césped (KARCHER y RICHARDSON, 2003), y el análisis de la estructura vertical de las plantas (ZEHM et al., 2003), entre otros.

2.5. El color en las imágenes digitales:

Una imagen digital está compuesta por píxeles, que son la unidad básica de la imagen y cuya cantidad determina la resolución de la misma. Cada píxel emite cierta cantidad de luz roja, verde y azul; podría parecer entonces fácil e intuitivo identificar los píxeles de color verde y así obtener la cobertura vegetal (KARCHER y RICHARDSON, 2003). Sin embargo, la intensidad de los otros colores puede influir en cuán verde puede parecer una imagen, por lo que se requiere de un sistema de colores que pueda ser apreciado por la vista humana, como el sistema HSB (hue - saturation - brightness) (Figura 1).

Las imágenes HSB usan tres canales: tono, saturación y brillo. El tono (hue) es definido como un ángulo en un continuo circular de 0º a 360º; el color rojo corresponde al ángulo de 0º, amarillo = 60º, verde = 120º, cian = 180º, azul = 240º, magenta = 300º. La saturación se define como la pureza del color, comprendida desde 0% (gris) hasta 100% (color saturado completamente). El brillo a su vez es la luminosidad u oscuridad relativa del color desde 0% (negro) hasta el 100% (blanco) (ADOBE SYSTEMS, 2002).

El software de análisis de imagen es capaz de discriminar entre distintos valores de tono y saturación dentro de una imagen; en el caso del software Sigma Scan Pro (SPSS, Chicago, EEUU), los valores para el tono varían entre 0 – 255; para la saturación de la imagen, el rango es de 0 – 100.

Fuente: JEWETT, 2002.

Figura 1. Esquema representativo del sistema de colores HSB (hue – saturation – brightness)

3. MATERIALES Y MÉTODOS

3.1. Lugar y fecha del estudio:

El estudio se realizó en terrenos pertenecientes a ENAP Refinerías Aconcagua S.A., en Concón, V Región. Según VALLEJOS (2001), el área de estudio pertenece al Reino Templado, Dominio Secoestival, Provincia Secoestival Nubosa , Subprovincia San Antonio (Figura 2).

La subprovincia San Antonio se ubica geográficamente entre los ríos Aconcagua y Rapel (paralelos 32º 48’ S y 33º 57’ S, respectivamente), zona en que aún se produce un período prolongado de sequía, de alrededor de nueve meses. Presenta temperaturas agradables, con un promedio anual de 14.5 ºC; la temperatura media del mes más cálido, en enero, es de 17.8 ºC, aproximadamente; y el mes más frío, julio, descienden a 11.4 ºC. En cuanto a las precipitaciones, se registran como promedio entre 380 y 400 mm (RODRÍGUEZ, 1990).

Se realizó una medición en dos fechas: 4-5 septiembre y 15-16 octubre de 2004, correspondientes a las etapas de crecimiento de la pradera.

3.2. Descripción general de la vegetación:

La formación vegetal predominante en el predio corresponde a una estrata herbácea cuyo mayor componente son terófitas (especies anuales de autosiembra). Las especies conforman una pradera naturalizada con predominio de especies de pobre a regular condición, como la terófita Vulpia dertonensis, y hemicriptófitas del género Plantago. No obstante, la especie dominante en la pradera es Lolium multiflorum, especie de excelente condición.

Fuente: Google Earth.

3.3. Identificación de sitios y condición:

Se identificaron en terreno los sitios clasificados por FERNÁNDEZ (2004) (datos sin publicar)* en el mismo lugar del estudio. Para efectos del muestreo, se escogieron cinco sitios ubicados en el sector alto del predio.

3.4. Mediciones:

Se realizó una campaña de terreno en la que se trazaron cinco transectos siguiendo el método de los tres pasos de Parker (1950). Junto con registrar la frecuencia de cada especie dentro del transecto (cada 1 m), se tomaron fotografías y se cortaron muestras mediante el método del cuadrante (cada 5 m); al mismo tiempo se midió la altura de la vegetación y la obstrucción visual (método de Robel). De esta manera se realizaron cuatro mediciones distintas a cada muestra: fotografía, cuadrante, altura y obstrucción visual; se obtuvieron en total 50 fotografías por fecha (10 fotografías y 10 muestras por transecto), 100 en total para las dos fechas de muestreo.

3.4.1. Medición de altura y obstrucción visual:

La altura promedio de la muestra se midió de una manera simple, mediante el uso de una huincha, registrando la estatura promedio de las plantas ubicadas dentro de los límites del cuadrante. La obstrucción visual se midió mediante una modificación de la vara de Robel.

El método desarrollado por ROBEL et al. (1970) consiste en medir la obstrucción visual ocasionada por la vegetación en una vara de 1.5 m de altura y 3 cm de grosor colocada verticalmente sobre el suelo; esta vara está dividida originalmente en franjas horizontales de 1 dm, pintadas alternadamente con colores contrastantes (blanco – negro, por ejemplo) El observador debe registrar la franja visible más baja

en la vara de Robel, es decir, aquella franja que puede ser apreciada por completo encontrándose el punto de vista del observador a 4 m de distancia y a 1 m de altura sobre el suelo. Como este método integra la densidad y la altura de la vegetación, se puede interpretar la medida de obstrucción visual como la altura bajo la cual la vegetación es densa.

Para propósitos de este estudio, se modificó el ancho de las franjas disminuyéndolo hasta los 2 cm de grosor; las franjas fueron numeradas, siendo la franja uno la inferior. Las lecturas de la obstrucción visual se realizaron siguiendo el protocolo propuesto por BENKOBI et al. (2000). La vara así graduada se colocó en el centro del cuadrante, y las lecturas se hicieron a 4 m de distancia y 1 m de altura. Como lectura, se registró la banda más alta completamente obstruida; una lectura de 1 significa que la primera banda fue obstruida por completo. La lectura (número de la franja) se multiplicó por 2, para convertirla a cm, y luego se analizaron los datos mediante regresión lineal.

3.4.2. Obtención y análisis de las imágenes:

Las fotografías se obtuvieron con una cámara digital Praktica® modelo DCZ (Pentacon GmbH, Dresden, Alemania), sostenida a 1 m sobre el suelo. Las imágenes obtenidas a una resolución de 1280 x 960 píxeles (Figura 3) se traspasaron a un PC de escritorio y analizadas mediante el programa de análisis de imágenes SigmaScan® Pro versión 5.0 (SPSS Inc., Chicago, EEUU). El primer paso en el análisis de las fotografías consistió en el uso de la opción “crop”, mediante la cual se modificó el tamaño de la imagen. La herramienta crop permite seleccionar una superficie dentro de la imagen; el resto de la imagen es eliminado. De esta manera, se seleccionó el tamaño corresponde al área de la imagen delimitada por el cuadrante, correspondiente a 30 cm x 30 cm, con lo que se obtuvo una nueva imagen de 520 x 520 píxeles (Figura 4). Estos valores pueden ser utilizados en conjunto como referencia de escala en la apreciación de las imágenes. Luego, se utilizó la herramienta Saturation dentro del menú Color. Como resultado se

acentuaron los colores de la imagen (Figura 5), lo que facilita su análisis por parte del software.

El análisis propiamente tal, es decir, la determinación del número de píxeles verdes de la imagen, se realizó mediante la opción Color Threshold, dentro del menú Threshold. Esta herramienta separa los píxeles de color verde del resto de la imagen, marcándolos con una capa (overlay) de un color predefinido (Figura 6), la que sólo cumple funciones demostrativas. El umbral (Threshold) mediante el cual el software identificó el color verde de la imagen se definió con valores para Hue: 30 – 120 y para Saturation: 20 – 100. Estos valores abarcan aproximadamente todo el espectro de color verde.

Luego, mediante la opción Measure objects se obtuvo la cantidad de píxeles de color verde de la imagen. Los objetos medidos por esta opción del software son grupos de píxeles que se encuentran dentro de los valores de hue y saturation del umbral definido por el usuario del programa. El programa no entrega directamente la cantidad total de píxeles verdes; esta cantidad se obtuvo al multiplicar la cantidad de objetos por el promedio de píxeles de los objetos, que fueron los valores entregados por el software. El resultado de esta multiplicación se transformó en porcentaje de píxeles verdes de la imagen de la siguiente manera:

% píxeles verdes = (nº píxeles verdes x 100) / total píxeles

De esta forma, las imágenes pueden ser agrupadas también según clases de cobertura (DAUBENMIRE, 1968). El total de píxeles de la imagen corresponde a la resolución de la imagen, es decir, 520x520 = 270400 píxeles. Las clases de cobertura se definieron de la siguiente manera: 0-5%, 5-25%, 25-50%, 50-75%, 75-95%, 95-100%.

3.5. Análisis de datos:

Basándose en la bibliografía existente, los datos se analizaron mediante regresión lineal. Se realizaron regresiones lineales para cada parámetro (cobertura, altura, obstrucción visual), añadiéndose un parámetro extra (altura x cobertura) (Cuadro 6). Luego de verificar los supuestos para el error, la representatividad de las ecuaciones de regresión se probó mediante el Test de Fisher (α=0.05); en presencia de asociación entre las variables se comprobó la existencia de pendiente mediante el Test de t-Student.

Figura 3. Imagen original, muestra 1, sitio 224P7 (Transecto 1). 1280x960 píxeles. En el centro, cuadrante de 30 cm x 30 cm.

Figura 4. Imagen 520 x 520 píxeles, muestra 1, sitio 224P7 (Transecto 1), correspondiente a los límites del cuadrante. Superficie representada: 30 cm x 30 cm.

Figura 5. Imagen 520 x 520 píxeles, muestra 1, sitio 224P7 (Transecto 1). Saturación de colores al 100%.

Figura 6. Overlay identificador de píxeles de color verde.

M

Total píxeles = 270400 Píxeles color verde = 225154 Porcentaje de cobertura = 83.27%

4. PRESENTACIÓN Y DISCUSIÓN DE RESULTADOS

4.1. Resultados:

4.1.1. Determinación de sitio - condición:

Los sitios seleccionados fueron los siguientes (Figura 7):

- Sitio 3101-224P7 Distrito Plano (Transecto 1) - Sitio 3101-288T3 Distrito Plano (Transecto 2) - Sitio 3101-355F2 Distrito Ondulado (Transecto 3) - Sitio 3101-458P8 Distrito Cerrano (Transectos 4 y 5)

En cada sitio se estableció un transecto, excepto en el sitio 458P8, el que presentaba estratas herbáceas diferentes dentro del mismo sitio. Esto podría indicar la necesidad de redefinir este sitio.

4.1.1.1. Sitio 224P7:

Sitio de textura media – delgado y drenaje lento. Pendiente del sitio <5%. La producción de materia seca fue de 2,0 ton/ha. La condición se determinó como regular. La composición botánica del sitio fue la siguiente:

Cuadro 1. Composición botánica mediante el método de Parker. Predio ENAP, Sitio 224P7 (Transecto 1). 24 agosto 2004.

Transecto 1 Frecuencia Forma Vital

Lolium multiflorum 45 Terófita

Hypochaeris radicata 8 Hemicriptófita

Trifolium sp 7 Terófita

Vulpia dertonensis 5 Terófita

Plantago lanceolata 3 Hemicriptófita

Bryza minor 2 Terófita

Hordeum murinum 1 Terófita

Lotus suspinatum 1 Terófita

Medicago polymorpha 1 Terófita

Pyptochaetium stipoides 1 Hemicriptófita

Mantillo 22

Suelo desnudo 2

Roca/Piedras 1

Total 100

4.1.1.2. Sitio 288T3:

Sitio de textura media – delgado y drenaje rápido en superficie, profundo. Drenaje moderado y textura pesada en profundidad. Distrito Plano, pendiente 1%. La producción de materia seca fue de 0.9 ton/ha. La condición determinada es regular. La composición botánica del sitio fue la siguiente:

Cuadro 2. Composición botánica mediante el método de Parker. Predio ENAP, Sitio 288T3 (Transecto 2). 24 agosto 2004.

Transecto 2 Frecuencia Forma Vital

Lolium multiflorum 22 Terófita

Hypochaeris radicata 16 Hemicriptófita

Bromus sp. 7 Terófita

Plantago lanceolata 6 Hemicriptófita

Avena fatua 4 Terófita

Pyptochaetium stipoides 4 Hemicriptófita

Lolium temulentum 2 Terófita

Ayra caryophylea 1 Terófita

Trifolium glomeratum 1 Terófita

Mantillo 21 Suelo desnudo 8 Musgo 7 Roca/Piedras 1 Total 100 4.1.1.3. Sitio 355F2:

Pendiente de 20% (Distrito ondulado (3)), producción de materia seca de 1.5 ton/ha. La condición determinada fue pobre. La composición botánica fue la siguiente:

Cuadro 3. Composición botánica mediante el método de Parker. Predio ENAP, Sitio 355F2 (Transecto 3). 24 agosto 2004.

Transecto 3 Frecuencia Forma Vital

Vulpia dertonensis 27 Terófita

Plantago hispidula 10 Terófita

Schismus sp. 8 Terófita

Plantago lanceolata 5 Hemicriptófita Hypochaeris radicata 4 Hemicriptófita

Lolium multiflorum 3 Terófita

Trifolium subterraneum 3 Terófita

Avena sp. 2 Terófita

Carex sp. 2 Terófita

Trevoa trinervis 2 Nanofanerófita

Nassella chilensis 1 Hemicriptófita

Plantago tumida 1 Terófita

Suelo desnudo 14 Mantillo 14 Roca/Piedras 3 Musgo 1 Total 100 4.1.1.4. Sitio 58P8:

Transecto 4: textura media, con arcilla densa entre los 20-50 cm. Drenaje externo rápido. Condición muy pobre, pendiente 40% (Distrito cerrano (4)), producción de materia seca de 0.5 ton/ha.

Cuadro 4. Composición botánica mediante el método de Parker. Predio ENAP, Sitio 458P8 (Transecto 4). 24 agosto 2004.

Transecto 4 Frecuencia Forma Vital

Avena sp. 27 Terófita

Cardionema ramosissima 10 Hemicriptófita

Vulpia dertonensis 1 Terófita

Suelo desnudo 40

Musgo 8

Roca/Piedras 2

Total 100

Transecto 5: Textura media, con arcilla densa entre los 20-50 cm. Drenaje externo rápido. Pendiente 13% (Distrito ondulado (3)). Condición pobre. Materia seca 1.2 ton/ha. El siguiente cuadro muestra la composición botánica del sitio:

Cuadro 5. Composición botánica mediante el método de Parker. Predio ENAP, Sitio 358P8 (Transecto 5). 24 agosto 2004.

Transecto 5 Frecuencia Forma Vital

Vulpia dertonensis 39 Terófita

Hypochaeris radicata 10 Hemicriptófita

Bromus sp. 5 Terófita

Trifolium subterraneum 4 Terófita

Erodium cicutarium 3 Terófita

Pectocaria dimorpha 2 Terófita

Ayra caryophylea 1 Terófita

Mantillo 20 Suelo desnudo 12 Musgo 2 Roca/Piedras 2 Total 100 4.1.2. Ecuaciones lineales.

En el siguiente cuadro se presenta el resumen de las ecuaciones de regresión lineal y su coeficiente de determinación R2:

Cuadro 6. Ecuaciones de regresión lineal. Abreviaciones: ms = materia seca (gr/0.09 m2); nr = modelo lineal no representativo; AxC, axc = altura por cobertura; D = Distrito; O. Visual, ov = obstrucción visual; n = número de muestras.

Sitio/Clase

Cobertura Fecha n Parámetro Ecuación R

2 Todos Todas 100 Cobertura Altura O. Visual AxC ms = 3.545 + 0.131 * cobertura ms = 6.610 + 0.382 * altura ms = 7.462 + 1.101 * ov ms = 5.847 + 0.008 * axc 0.27 0.21 0.43 0.41

24-25 agosto 50 Cobertura Altura O. Visual AxC ms = 47.933 + 2.178 * cobertura ms = 4.464 + 0.851 * altura ms = 8.316 + 0.863 * ov ms = 4.224 + 0.012 * axc 0.53 0.42 0.34 0.58 Todos 19-20 octubre 50 Cobertura Altura O. Visual AxC nr ms = 5.543 + 0.334 * altura ms = 6.768 + 1.132 * ov ms = 6.877 + 0.006 * axc 0.30 0.48 0.27 3101-24P7 Todas 20 Cobertura Altura O. Visual AxC ms = 3.545 + 0.131 * cobertura nr nr nr 0.26 3101-24P7 24-25 agosto 10 Cobertura Altura O. Visual AxC ms = -40.19 + 0.674 * cobertura nr nr nr 0.81 3101-24P7 19-20 octubre 10 Cobertura Altura O. Visual AxC nr nr nr nr 3101-88T3 Todas 20 Cobertura Altura O. Visual AxC ms = 4.160 + 0.068 * cobertura nr nr ms = 5.210 + 0.005 * axc 0.23 0.41 3101-88T3 24-25 agosto 10 Cobertura Altura O. Visual AxC nr nr nr nr 3101-88T3 19-20 octubre 10 Cobertura Altura O. Visual AxC nr ms = 4.0326 + 0.211 * altura nr ms = 3.863 + 0.006 * axc 0.47 0.76 3101-55F2 Todas 20 Cobertura Altura O. Visual AxC nr nr ms = 9.273 + 1.532 * ov ms = 6.322 + 0.012 * axc 0.47 0.38 3101-55F2 24-25 agosto 10 Cobertura Altura O. Visual AxC ms = -24.559 + 0.486 * cobertura nr nr ms = 4.123 + 0.017 * axc 0.57 0.61 3101-55F2 19-20 octubre 10 Cobertura Altura O. Visual AxC nr nr nr nr 3101-58P8 (D. Cerrano) Todas 20 Cobertura Altura O. Visual AxC nr nr nr ms = 3.588 + 0.04 * axc 0.23 3101-58P8 (D. Cerrano) 24-25 agosto 10 Cobertura Altura O. Visual AxC nr nr nr nr 3101-58P8 (D. Cerrano) 19-20 octubre 10 Cobertura Altura O. Visual AxC nr nr nr nr

3101-58P8 (D- Ondulado) Todas 20 Cobertura Altura O. Visual AxC nr nr nr nr 3101-58P8 (D- Ondulado) 24-25 agosto 10 Cobertura Altura O. Visual AxC ms = -4.407 + 0.179 * cobertura nr nr ms = 5.722 + 0.006 * axc 0.49 0.43 3101-58P8 (D- Ondulado) 19-20 octubre 10 Cobertura Altura O. Visual AxC nr nr nr nr Cobertura 5-25% Todas 10 Cobertura Altura O. Visual AxC nr ms = 2.026 + 0.389 * altura ms = 3.386 + 2.407 * ov ms = 2.014 + 0.021 * axc 0.72 0.53 0.88 Cobertura 25-50% Todas 33 Cobertura Altura O. Visual AxC nr ms = 5.772 + 0.317 * altura ms = 6.981 + 0.950 * ov ms = 5.603 + 0.009 * axc 0.23 0.40 0.25 Cobertura 50-75% Todas 25 Cobertura Altura O. Visual AxC nr ms = 5.423 + 0.369 * altura ms = 6.220 + 1.447 * ov ms = 5.811 + 0.005 * axc 0.46 0.65 0.41 Cobertura 75-95% Todas 27 Cobertura Altura O. Visual AxC ms = -21.75 + 0.424 * cobertura ms = 8.089 + 0.695 * altura ms = 11.899 + 0.574 * ov ms = 7.945 + 0.008 * axc 0.21 0.31 0.21 0.34 Cobertura 95-100% Todas 5 Cobertura Altura O. Visual AxC nr nr nr nr

El resultado de cada ecuación está expresado en gr de materia seca por la superficie del cuadrante, es decir, 0.09 m2. Este valor se traspasa fácilmente a ton/ha o kg/ha mediante una regla de tres simple.

4.2. Discusión de resultados:

Debe mencionarse la facilidad de obtención de imágenes en comparación con el método del cuadrante; en este último, el tiempo necesario para cortar el material vegetal del cuadrante varió entre 4 y 10 min., dependiendo de la cantidad de pasto.

1 2

3

5

4

Figura 7. Carta de Sitios

predio ENAP. En amari

llo, ubica

ció

n

Obtener una imagen no tomó en ningún caso más de un minuto, puesto que se prescindió de trípode en favor de la simplicidad del método, y también por la dificultad que presenta su utilización en terrenos irregulares. Similares tiempos se ocuparon en medir la altura y la obstrucción visual. Existe consenso en lo engorroso del método de corte; sin embargo, no se puede soslayar su uso en el desarrollo y calibración de otros métodos.

El Cuadro 6, muestra en general bajos coeficientes de determinación para todos los modelos. Los datos en su mayor parte, no se comportaron linealmente en ninguno de los parámetros. RÖTTGERMANN et al. (2000); PARUELO, LAUENROTH y ROSET (2000); PASTO, ALLISON y WASHKO (1957); DOS SANTOS et al. (2000) y EVANS y JONES (1958) informaron sobre relaciones lineales entre la cobertura de suelo y la biomasa expresada en materia seca; ROBEL et al. (1970); BENKOBI et al. (2000) y ACKERMAN et al. (1999) informaron a su vez sobre la linealidad existente entre la obstrucción visual y la biomasa; lo mismo se ha documentado en cuanto a la estatura de la vegetación y su biomasa (PASTO, ALLISON y WASHKO, 1957; CÓSER, MARTINS y ALVIM, 1996). Existía entonces la posibilidad de encontrar un comportamiento lineal en todos los parámetros.

En el caso de la estimación de cobertura, el mejor R2 obtenido fue de 0.81 en el sitio 224P7, en la primera fecha de mediciones (Cuadro 7). Esto puede estar explicado por la preponderancia de una especie sobre las otras, en este caso Lolium multiflorum. La condición regular del sitio influyó en este resultado, al ser consecuencia de la composición botánica y del predominio de Lolium multiflorum. Los valores de cobertura determinados para este sitio oscilaron entre 78% y 97%; por esto y por la alta variabilidad en el peso de la fitomasa, el intersecto de la recta de la ecuación se encuentra lejos de cero (FIGURA 8). Este resultado, sin embargo, sólo podría sugerir el desarrollo de métodos similares en pastizales semejantes en cuanto a su composición botánica y grado de cobertura.

botánica, lo que también se apreció en su escasa notoriedad en las imágenes. Por esto, la canopia del sitio fue la más uniforme, aunque sólo en un sentido cualitativo, puesto que se registraron distintos valores de disponibilidad de materia seca. PARUELO, LAUENROTH y ROSET (2000) informaron valores de R2 mayores para la biomasa herbácea que para biomasa total en un pastizal de estepa, lo que indica que pastizales herbáceos son más indicados para este método. También influyó el hecho de que en este transecto el pastizal no comenzaba su senescencia, algo que sí ocurrió en otros sitios debido al adelanto de las precipitaciones efectivas del año 2004.

Si se compara el sitio 224P7 en las dos fechas de medición, se aprecia claramente el efecto de la senescencia sobre la capacidad del software para discriminar el material vegetal; muchas veces se confundió el color del pasto seco con aquél propio de la superficie del suelo, lo que puede explicar el por qué no hubo buenos resultados para este método en el muestreo de la segunda fecha. Se identificó también como posibles fuentes de error la presencia de sombras y brillos en las imágenes. A pesar de lo propuesto por varios autores (RICHARDSON, KARCHER y PURCELL, 2001; PARUELO, LAUENROTH y ROSET, 2000; ADAMSEN et al., 2000) y de lo utilizado en este estudio, es decir, priorizar la luz natural en horas de máxima exposición (11:00AM a 16:00PM), se debe recomendar el uso de sombra artificial de acuerdo a lo sugerido por LUKINA, STONE y RAUN (1998). La reflectancia de luz sobre las plantas se manifiesta en la imagen como áreas de color blanco, las que no fueron reconocidas efectivamente por el software. Asimismo, el contraste entre luz y sombra ocasionado por la luz directa del sol ocultó material visible a simple vista, pero que no apareció en la imagen digital al estar sombreado en exceso. El mantillo (material vegetal de desecho de la temporada anterior) no interfirió en los resultados, pues fue eficazmente identificado por el software debido a su color gris, equivalente a valores de saturación bajos.

En el sitio 288T3, la proporción similar entre hemicriptófitas como Hypochaeris radicata y terófitas como Lolium multiflorum ayudó a aumentar la heterogeneidad de

la canopia del pastizal. La condición pobre del sitio se reflejó también en un menor porcentaje de cobertura de suelo, variando ésta entre 30 y 85% para la primera fecha, y entre 20 y 52% en la segunda medición. Se destaca un valor de R2 = 0.76, para el parámetro Altura x Cobertura en la segunda fecha de medición; esto es similar a lo observado por PASTO, ALLISON y WASHKO (1957), quienes obtuvieron valores de R2 entre 0.60 y 0.87. En la condición actual de este sitio, sin embargo, no es posible recomendar el método fotográfico.

En el tercer transecto (Sitio 355F2) se repiten las diferencias de cobertura identificadas por el software, entre la primera y la segunda fecha. Con 12 especies identificadas en el sitio mediante el método de Parker, la heterogeneidad de la canopia es suficiente para no obtener coeficientes de determinación altos; incluso son escasas las ecuaciones válidas. En este sitio del distrito ondulado hay presencia de Trevoa trinervis, especie nanofanerófita que contribuye aún más a la diversidad de la vegetación.

El transecto 4 tiene características particulares que lo diferencian de los otros sitios: pendiente alta (distrito cerrano), pocas especies (sólo tres) y alto porcentaje de suelo desnudo. Además del bajo número de especies, debe mencionarse que ellas son muy diferentes entre sí, principalmente la hemicriptófita Cardionema ramosissima, planta invasora cuya morfología difiere notablemente de las terófitas restantes. Esto dificulta la construcción de una recta de regresión o de cualquier otro modelo no lineal; el cambio en el peso en materia seca de C. ramosissima es mayor en sentido horizontal, y en las terófitas este cambio se da en sentido vertical.

En el transecto 5, establecido en el sitio 358P8, se obtuvo para la ecuación de cobertura un R2 de 0.49; valor bajo en comparación con otros trabajos que utilizan la cobertura de suelo como estimador de la producción (PASTO, ALLISON y WASHKO, 1957; LUKINA, STONE y RAUN (1998); PARUELO, LAUENROTH y ROSET, 2000).

Al agrupar las imágenes según la cobertura obtenida, sólo se obtienen valores altos de R2 en la clase de cobertura 5-25%, en la que el parámetro altura explica la mayor parte de la variación en el peso, con un valor individual de R2 = 0.72. En conjunto con la cobertura (AxC), el R2 sube a 0.88. Los demás parámetros muestran bajos coeficientes de determinación, siguiendo la tendencia de las otras clases de cobertura.

La obstrucción visual no arrojó buenos resultados; se comprobó que su utilización debe ser en pastizales con alta densidad de plantas, según lo postulado por BENKOBI et al. (2000).

No obstante todo lo anterior, a pesar de no poder recomendarse su uso en sitios homólogos, el valor de 0.81 para R2 en el sitio 24P7 demuestra el potencial de este método de estimación de materia seca mediante el análisis computacional de imágenes. Debe recomendarse, en base a lo observado, establecer ciertas mejoras al método enfocadas a disminuir el error en las imágenes, como el uso de sombra artificial y evitar su aplicación en épocas de madurez de la vegetación; además, en base a lo observado, analizar los datos siguiendo otros modelos no-lineales.

Figura 8. Recta de regresión lineal Sitio 224P7. 0 5 10 15 20 25 30 75,00 80,00 85,00 90,00 95,00 100,00 Cobertura, % Ma te ri a S e c a , g

5. CONCLUSIONES

Es posible determinar la cobertura de suelo mediante el análisis de imágenes con un software adecuado.

No es posible afirmar que las relaciones entre la distribución espacial de la vegetación y su biomasa, son de tipo lineal en praderas con gran diversidad de especies y de pobre condición de la provincia Secoestival Nubosa, subprovincia San Antonio.

En general, y debido a lo anterior, no es posible obtener modelos lineales basados en la cobertura de suelo, aplicables a sitios homólogos de la provincia .

No obstante, debido al potencial mostrado por este método, se recomienda mejorar el método y evaluarlo en sitios con vegetación herbácea homogénea y de buena a excelente condición, en la provincia secoestival nubosa.

6. RESUMEN

Se realizó un estudio para evaluar el uso de procesamiento de imágenes digitales en conjunto con el Sistema de Clasificación de Ecorregiones (GASTÓ, COSIO y PANARIO, 1993) en la estimación del porcentaje de cobertura vegetal y su relación con la biomasa en praderas de la Provincia Secoestival Nubosa (Valparaíso), Subprovincia San Antonio. Se obtuvieron imágenes en dos fechas, las que fueron analizadas por fecha, por sitios y por clases de cobertura. El porcentaje de cobertura se analizó mediante el software SigmaScan Pro. Como comparación, se midió la altura de la vegetación y la obstrucción visual. El porcentaje de cobertura, dado por la cantidad de píxeles verdes de la imagen, fue entregado efectivamente por el software; sin embargo, no hubo evidencia suficiente para establecer la existencia de relaciones lineales entre cobertura del suelo y la materia seca en la Provincia Secoestival Nubosa o Valparaíso. Se piensa que la diversidad de formas vitales y la condición del Sitio influyeron negativamente en los resultados, puesto que sólo en el Sitio 3101-224P7 se pudo establecer una relación de tipo lineal entre la biomasa y la cobertura de suelo; esto se debió posiblemente a la mejor condición del sitio y a la mayor homogeneidad de su estrata herbácea. El método tiene entonces, potencial de desarrollo en sitio homólogos de la Provincia Secoestival Nubosa, y en general en pastizales con vegetación herbácea homogénea.

7. ABSTRACT

The purpose of this study was to evaluate the use of digital image processing techniques, along with the Ecorregion Clasification System (GASTÓ, COSIO and PANARIO, 1993), to estimate the percent of vegetation cover and its relationship to biomass in a rangeland of the Drysummer Cloudy Province (Valparaiso) classification, in San Antonio Subprovince. Images were taken on two dates; the images were analyzed by dates, sites and cover classes. Percent of coverage was estimated using image-processing routines in SigmaScan Pro v. 5.0. As a comparison, height and Visual Obstruction measures (ROBEL et al., 1970) were also taken. Vegetation coverage, estimated using the quantity of green pixels per image, was effectively calculated by the software. However, sufficient evidence was not found to prove the existence of linear relationships between soil coverage and biomass (dry matter) for this rangeland. This negative response was probably due to the diversity of vital forms, and to the prevailing conditions found in the different sites. Only the 3101-224P7 site demonstrated a linear relationship between these two variables, possibly due to the better prevailing condition, and its greater homogeneity of herbaceous vegetation. Nevertheless, this method has potential for further development in homologous rangelands of this classification type, and in general, in grasslands with homogeneous and herbaceous vegetation.

8. LITERATURA CITADA

ACKERMAN, C.; PURVIS, H.; HORN, G.; PAYTON, M.; VERMEIRE, L.; PAISLEY, S.; and BODINE, T. 1999. Estimation of forage mass of old world bluestem using a visual obstruction technique, (online). http://www.ansi.oakstate.edu/research/1999rr/34.htm

ADOBE PHOTOSYSTEMS, 2002. Adobe Photoshop 7.0 User Manual. San Jose, Adobe Press. 592p.

ADAMSEN, F.; COFFELT, T.; NELSON, J.; BARNES, E. and RICE, R. 2000. Method for using images from a color digital camera to estimate flower number Crop Science 40:704-709.

ADAMSEN, F.; PINTER, P.; BARNES, E.; LAMORTE, R.; WALL, G.; LEAVITT, A. and KIMBALL, B. 1999. Measuring wheat senescence with a digital camera Crop Science 39:719-724.

AZÓCAR, P. 1991. Concepto de Condición y Tendencia de pastizales. In: Fernando Cosio ed. Seminario Red de Pastizales Andinos. Olmué, Universidad Católica de Valparaíso. p. 1-12

BENKOBI, L.; URESK, D.; SCHENBECK, G. and KING, R. 2000. Protocol for monitoring standing crop in grasslands using visual obstruction

Journal of Range Management 53:627-633.

BRUMMER, J.; NICHOLS, J.; ENGEL, R. and ESKRIDGE, K. 1994. Efficiency for different quadrat sizes and shapes for sampling standing crop Journal of Range Management 43:84-89.

CALDWELL, M. 1984. Plant requirements for prudent grazing. In: National Research Council / National Academy of Sciences eds. Developing Strategies for Rangeland Management. Boulder, Westview Press. p.i117-152.

CATCHPOLE, W. and WHEELER, C. 1992. Estimating plant biomass: A review of techniques. Australian Journal of Ecology 17:121-131.

CÓSER, A., MARTINS, C. y ALVIM, M. 1996. Altura da planta e cobertura do solo como estimadores da produçao de forragem em pastagens de capim-elefante. In: Sociedade Brasileira de Zootecnia ed. Anais da XXXIII Reuniao Anual da Sociedade Brasileira de Zootecnia. Fortaleza, Sociedade Brasileira de Zootecnia. p. 180-182. Vol. 2.

York, Harper and Row. 300p.

DOS SANTOS LOPES, R., MIRANDA DA FONSECA, D., CÓSER, A., JÚNIOR, D., MARTINS, C. y OBEID, J. 2000. Avaliaçao de Métodos para Estimaçao da Disponibilidade de Forragem em Pastagem de Capim-Elefante. Revista Brasileira Zootecnia 29(1):40-47.

DYKSTERHUIS, E. 1949. Condition and management of range land upon quantitave ecology. Journal of Range Management 2:104-115.

EVANS, R. and JONES, M. 1958. Plant height times ground cover versus clipped samples for estimating. forage production. Agronomy Journal 50:504-506.

GALLARDO, S. y GASTÓ, J. 1987. Sistemas de clasificación de pastizales. Sistemas en Agricultura. IISA 8/14. Santiago, Pontificia Universidad Católica de Chile. Dpto. Zootecnia. Facultad de Agronomía.

GASTÓ, J. 1981. Ecología. El hombre y la transformación de la naturaleza. Santiago, Editorial Universitaria. 573p.

________, COSIO, F. y PANARIO, D. 1993. Clasificación de Ecorregiones y Determinación de Sitio y Condición. Manual de aplicación para municipios y predios rurales. Quito, Red de Pastizales Andinos (REPAAN). 254p.

________, SILVA, F. y COSIO, F. 1990. Sistema de Clasificación de los Pastizales de Sudamérica. Sistemas en Agricultura. IISA 9/1. Dpto. Zootecnia. Facultad de Agronomía, Pontificia Universidad Católica de Chile. Santiago. 92p.

GONZÁLEZ, L. 1998. Determinación de la productividad primaria, secundaria y condición de sitios de la terraza marina en la provincia secoestival nubosa, predio Mapullay, Bucalemu. Taller de Licenciatura Ing. Agr. Quillota. Universidad Católica de Valparaíso. 79p.

HALL, F. 2001. Ground-based photographic monitoring. General technical report. Portland, U.S. Department of Agriculture, Forest Service, Pacific Northwest Research Station. 340 p.

HARMONEY, K.; MOORE, K.; GEORGE, J.; BRUMMER, E. and RUSSELL, J. 1997. Determination of pasture biomass using four indirect methods. Agronomy Journal 89:665-672.

HOLECHEK, J.; PIEPER, R. and HERBEL, C. 2001. Range management: principles and practices. 4th edition. Upper Saddle River,

Prentice-Hall. 587p.

INFANTE, R. 1986. Método de Condición, Productividad y Sistemogénesis de praderas en 4 sitios del Reino Templado. Tesis Ing. Agr. Santiago, Pontificia Universidad Católica de Chile, Facultad de Agronomía e Ingeniería Forestal. 153p.

IPPOLITTI, G.; RESCHUTZEGGER, M. y DA COSTA, L. 2003. Classificaçao digital de fotografias verticais para estimativa da cobertura do solo. In: Instituto Nacional de Pesquisas Espaciais ed. Anais XI Simpósio Brasileiro de Sensoriamiento Remoto. Belo Horizonte, INPE, 5-10 abril 2003. p137-144.

JONES, D. 1999. A comparison of the most commonly employed vegetation data collection methods on Army installations. Colorado State University, (online). http://www.cemml.colostate.edu/methods/methods.pdf

KARCHER, D. and RICHARDSON, M. 2003. Quantifying turfgrass color using digital image analysis. Crop Science 43:943-951.

LÓPEZ, I.; GASTÓ, J. y COSIO, F. 1995. Caracterización de distritos y sitios de la estepa muy fría tendencia secoestival o Patagonia Occidental. AgroSur 23(1):1-14

LUKINA, E.; STONE, M. and RAUN, W. 1998. Estimating vegetation coverage in wheat using digital images. Journal of Plant Nutrition 22:341-350. MURPHY, R. 1968. Land-forms of the world. Map supplement number 9. Annals

of the Association of American Geographers. 58(1):198-200

O’DONOVAN, M. and DILLON, P. 1999. Measurement of grassland management practice on comercial dairy farms. Final report project nº4351. Dublin, Teagasc. 23p.

PANARIO, D.; GALLARDO, S. y GASTÓ, J. 1988. Unidades geomorfológicas en el sistema de clasificación de pastizales. Distrito. Santiago, Pontificia Universidad Católica de Chile 55p.

PANARIO, D.; MORATÓ, E.; GALLARDO, S. y GASTÓ, J. 1988. Sitio en el sistema de clasificación de pastizales. Sistemas en Agricultura. IISA 88/18. Santiago, Pontificia Universidad Católica de Chile. 56p.

PARUELO, J.; LAUENROTH, W. and ROSET, P. 2000. Estimating aboveground plant biomass using a photographic technique. Journal of Range Management 53(2):190-193.

PASTO, J.; ALLISON, J. and WASHKO, J. 1957. Ground cover and height of sward as a means of estimating pasture production. Agronomy Journal 46(8):407-409.

PIEPER, R. 1978. Measurement techniques for herbaceous and shrubby vegetation. Las Cruces, New Mexico State University. Department of Animal and Range Sciences. 147p.

PURCELL, L. 2000. Soybean canopy coverage and light interception measurements using digital imagery Crop Science 40:834-837.

RED DE PASTIZALES ANDINOS. 1991. Metodología para la descripción de sitio y condición de los pastizales Andinos. Seminario-taller. Olmué, 23-27 julio 1991.

RICHARDSON, M.; KARCHER, D. and PURCELL, L. 2001. Quantifying turfgrass cover using digital image analysis Crop Science 41:1884-1888. ROBEL, R.; BRIGGS, J.; DAYTON, A., and HULBERT, L. 1970. Relationships

between visual obstruction measurements and weight of grassland vegetation. Journal of Range Management 23:295-297.

RODRIGUEZ, M. 1990. Geografía Agrícola de Chile. 2ª Edición. Santiago, Ed. Universitaria. 384p.

RÖTTGERMANN, M.; STEINLEIN, T.; BEYSCHLAG, W. and DIETZ, H. 2000. Linear relatioships between aboveground biomass and plant cover in low herbaceous vegetation. Journal of Vegetation Science 11:145-148.

SILVA, F. 1991. Caracterización de los distintos distritos y sitios de los pastizales de la provincia secoestival nubosa, Valparaíso. Taller de Licenciatura Ing. Agr. Quillota, Universidad Católica de Valparaíso. Facultad de Agronomía. 284p.

‘t MANNETJE, L. 2000. Measuring biomass of grassland vegetation. In: ‘t Mannetje, L. and Jones, R. eds. Field and laboratory methods for grassland and animal production research. Wallingford, CAB International. p. 151-178

________ y JONES, R. 2000. Grassland vegetation and its measurement. In: ‘t Mannetje, L. and Jones, R. eds. Field and laboratory methods for grassland and animal production research. Wallingford, CAB International. p. 1-8

semiárido de la Región de Coquimbo y Valparaíso mediante el método de la Condición. Taller de Licenciatura Ing. Agr. Quillota, Universidad Católica de Valparaíso. Facultad de Agronomía. 104p. VALLEJOS, S. 2001. Caracterización y base de datos de la provincia secoestival

nubosa o Valparaíso. Taller de Licenciatura Ing. Agr. Quillota, Universidad Católica de Valparaíso. Facultad de Agronomía. 146p. Tomo I.

WEBER, K. and RUSSELL, G. 2002. Comparison of two standing crop estimators in sagebrush-steppe communities. Idaho State University, (online). http://giscenter.isu.edu/research/techpg/nasa_wildfire/Final_Report/D ocuments/Chapter4.pdf

ZEHM, A.; NOBIS, M. and SCHWABE, A. 2003. Multiparameter analysis of vertical vegetation structure based on digital image processing. Flora 198:142-160.

ZHOU, Q. and ROBSON, M. 2001. Automated rangeland vegetation cover and density estimation using ground digital images and a spectral contextual classifier. International Journal of Remote Sensing 22(17):3457-3470.