https://rei.esprint.tech
Vol. 5 N° 1, enero-junio 2026 (1054-1065)
ISSN: 2960-8317
1054
Artículo de revisión
Monitoreo multitemporal del vigor vegetativo y la productividad
forrajera mediante imágenes UAV multiespectrales y NDVI en
un sistema de pastoreo rotacional altoandino
Multitemporal monitoring of vegetation vigor and forage productivity
using multispectral UAV imagery and NDVI in a high-andean rotational
grazing system
Wanda Maribel Champutiz Castro*
Universidad Politécnica Estatal del Carchi
Tulcán - Ecuador
wanda.champutiz@upec.edu.ec
https://orcid.org/0009-0007-3899-9808
Jeysonn Marcelo Palma Mera
Universidad Politécnica Estatal del Carchi
Tulcán - Ecuador
jeysonn.palma@upec.edu.ec
https://orcid.org/0009-0009-3750-5030
*Correspondencia:
wanda.champutiz@upec.edu.ec
Cómo citar este artículo:
Champutiz, W., & Palma, J. (2026).
Monitoreo multitemporal del vigor
vegetativo y la productividad forrajera
mediante imágenes UAV multiespectrales y
NDVI en un sistema de pastoreo rotacional
altoandino. Esprint Investigación, 5(1), 1054-
1065.
https://doi.org/10.61347/ei.v5i1.331
Recibido: 19 de mayo de 2026
Aceptado: 22 de junio de 2026
Publicado: 29 de junio de 2026
Resumen: El monitoreo de pasturas mediante tecnologías de teledetección constituye una
herramienta eficiente para evaluar la productividad y la variabilidad espacial de sistemas
forrajeros bajo manejo rotacional. El presente estudio tuvo como objetivo evaluar la
productividad forrajera y la variabilidad espacial del vigor vegetativo mediante el análisis
multitemporal del Índice de Vegetación de Diferencia Normalizada (NDVI) derivado de
imágenes multiespectrales obtenidas con vehículos aéreos no tripulados (UAV) en un sistema
de pastoreo rotacional del Centro Experimental San Francisco de la Universidad Politécnica
Estatal del Carchi (UPEC), Ecuador. La investigación se desarrolló en un potrero de 5000 m²
con mezcla forrajera destinada a la alimentación de ganado lechero, donde durante marzo,
abril y mayo de 2026 se registraron variables productivas como tasa de crecimiento, oferta de
forraje, oferta real de forraje y cobertura de malezas, mediante aforos semanales con Rising
Plate Meter y procesamiento con el software 3R. Las imágenes multiespectrales fueron
adquiridas con un UAV DJI Mavic 3 Multispectral y procesadas para la generación de
ortomosaicos y mapas NDVI, cuyos valores oscilaron entre −0,81 y 0,64, evidenciando
heterogeneidad espacial del vigor vegetativo. Los resultados mostraron que abril presentó el
mayor desempeño productivo, con una tasa de crecimiento de 630,2 kg MS ha⁻¹ día⁻¹ y una
oferta real de forraje de 4.151,4 kg MS ha⁻¹, además de una alta variabilidad temporal en la
tasa de crecimiento (CV = 71,6 %) y variabilidad moderada en la oferta real de forraje (CV =
33,8 %). En conjunto, se concluye que la integración de imágenes multiespectrales UAV y
análisis NDVI constituye una herramienta no destructiva, de alta resolución espacial y utilidad
operativa para caracterizar la productividad forrajera y apoyar la gestión de sistemas de
pastoreo rotacional.
Palabras clave: Agricultura de precisión, imágenes multiespectrales, NDVI, productividad
forrajera, pastoreo rotacional, UAV.
Abstract: The monitoring of pastures using remote sensing technologies represents an efficient tool for
assessing productivity and spatial variability in forage systems under rotational grazing management.
The aim of this study was to evaluate forage productivity and spatial variability of vegetation vigor
through the multitemporal analysis of the Normalized Difference Vegetation Index (NDVI) derived
from multispectral images acquired by unmanned aerial vehicles (UAVs) in a rotational grazing system
at the San Francisco Experimental Center of the State Polytechnic University of Carchi (UPEC),
Ecuador. The study was conducted in a 5,000 m² pasture area with mixed forage species for dairy cattle
production. During March, April, and May 2026, productive variables such as growth rate, forage
availability, real forage offer, and weed coverage were recorded using weekly measurements with a
Rising Plate Meter and processed using 3R software. Multispectral images were acquired using a DJI
Mavic 3 Multispectral UAV and processed to generate orthomosaics and NDVI maps, with values
ranging from −0.81 to 0.64, indicating high spatial heterogeneity in vegetation vigor. Results showed
that April presented the highest productivity, with a growth rate of 630.2 kg DM ha⁻¹ day⁻¹ and a real
forage availability of 4,151.4 kg DM ha⁻¹, as well as high temporal variability in growth rate (CV =
71.6%) and moderate variability in real forage availability (CV = 33.8%). Overall, the integration of
UAV multispectral imagery and NDVI analysis proved to be a non-destructive, high-resolution, and
operationally useful approach for characterizing forage productivity and supporting decision-making
in rotational grazing systems.
Keywords: Forage productivity, multispectral imagery, NDVI, precision agriculture, rotational
grazing, UAV.
Copyright: Derechos de autor 2026 Wanda
Maribel Champutiz Castro, Jeysonn
Marcelo Palma Mera.
Esta obra está bajo una licencia internacional
Creative Commons Atribución-
NoComercial 4.0.
Esprint Investigación
https://rei.esprint.tech
Vol. 5 N° 1, enero-junio 2026 (1054-1065)
ISSN: 2960-8317
Wanda Maribel Champutiz Castro, Jeysonn Marcelo Palma Mera 1055
1. Introducción
Los pastos constituyen ecosistemas terrestres fundamentales por su elevada capacidad de producción
de biomasa, su contribución a la conservación del suelo y su participación en el ciclo de nutrientes,
desempeñando un papel esencial en la seguridad alimentaria y en la sostenibilidad de la producción
ganadera (Zhao et al., 2020). Su crecimiento, disponibilidad y calidad nutricional están condicionados
por factores ambientales, como el déficit hídrico y las altas temperaturas, los cuales afectan la
productividad y la eficiencia de los sistemas de pastoreo (Xue & Su, 2017).
Asimismo, las decisiones relacionadas con el manejo del pastoreo y la carga animal influyen
directamente en el aprovechamiento del forraje y en la sostenibilidad de los sistemas ganaderos, por
lo que requieren información precisa y oportuna para optimizar su gestión (Rouquette et al., 2023). Los
métodos tradicionales para evaluar la calidad de los pastos se fundamentan en muestreos de campo y
análisis de laboratorio; sin embargo, estos procedimientos son destructivos, demandan elevados
costos, requieren tiempos prolongados de procesamiento y necesitan un gran número de muestras
para representar adecuadamente la variabilidad espacial del terreno.
Además, el tiempo transcurrido entre el muestreo y la obtención de resultados limita su aplicación
en el monitoreo rutinario de los potreros (Ali & Kaul, 2025). En este contexto, la caracterización de la
variabilidad espacial constituye un componente esencial de la agricultura de precisión, ya que permite
implementar estrategias de manejo diferenciadas (Villalobos & Fereres, 2017).
Frente a estas limitaciones, los vehículos aéreos no tripulados (UAV) se han consolidado como una
herramienta eficiente para el monitoreo continuo, preciso y no destructivo de las pasturas, al
proporcionar información espacial y temporal de alta resolución que facilita la evaluación del estado
de la vegetación y la gestión sostenible de los sistemas ganaderos (Ali & Kaul, 2025).
En particular, estos sistemas permiten estimar índices de vegetación como el Índice de Vegetación
de Diferencia Normalizada (NDVI), ampliamente utilizado para evaluar el vigor vegetativo, la
recuperación posterior al pastoreo y la heterogeneidad espacial del forraje (Matese & Di Gennaro, 2021;
Serrano et al., 2024). Asimismo, el uso de UAV ha demostrado su utilidad para el monitoreo de la salud
de la vegetación en diversos ecosistemas mediante imágenes multiespectrales de alta resolución
(Malenovský et al., 2019).
El monitoreo multitemporal permite evaluar la evolución de una variable en diferentes momentos,
facilitando la identificación de cambios y tendencias en los sistemas pastoriles. En este contexto, el
vigor vegetativo expresa la capacidad fisiológica de la vegetación para crecer y desarrollarse, mientras
que la productividad forrajera representa la cantidad de biomasa producida en un área y período
determinados, constituyendo uno de los principales indicadores del desempeño de los sistemas de
pastoreo.
Las imágenes multiespectrales obtenidas mediante UAV permiten capturar la respuesta espectral
de la vegetación en diferentes bandas del espectro electromagnético, proporcionando información
detallada sobre la condición fisiológica y la variabilidad espacial de las pasturas (Zhang & Kovacs,
2012; von Bueren & Yule, 2013). Esta capacidad resulta especialmente relevante en los sistemas de
pastoreo rotacional, donde la alternancia entre períodos de ocupación y descanso favorece la
recuperación de la vegetación, optimiza el aprovechamiento del forraje y contribuye a la sostenibilidad
productiva y ambiental (Allen et al., 2011; Rouquette et al., 2023).
El NDVI se calcula a partir de la reflectancia registrada en las bandas del rojo y del infrarrojo cercano
(NIR), constituyéndose en uno de los indicadores más utilizados para evaluar el estado fisiológico de
Esprint Investigación
https://rei.esprint.tech
Vol. 5 N° 1, enero-junio 2026 (1054-1065)
ISSN: 2960-8317
Wanda Maribel Champutiz Castro, Jeysonn Marcelo Palma Mera 1056
la vegetación. Este índice presenta una estrecha relación con el contenido de clorofila, la biomasa y la
actividad fotosintética, ya que las hojas absorben la radiación en la región roja del espectro y reflejan
intensamente el infrarrojo cercano (Tucker, 1979; Zhang & Kovacs, 2012).
Diversos estudios han demostrado que valores elevados de NDVI reflejan un mayor vigor
vegetativo y una mayor capacidad fotosintética, mientras que valores reducidos evidencian
condiciones de estrés vegetal asociadas con disminuciones en el contenido de clorofila y la
productividad del forraje (Serrano et al., 2024). En consecuencia, las imágenes multiespectrales
constituyen una alternativa eficiente, rentable y no destructiva para estimar la calidad y productividad
de las pasturas en amplias superficies (Ali & Kaul, 2025; Serrano et al., 2024).
Con base en estos antecedentes, el objetivo del presente estudio fue evaluar la dinámica temporal
del vigor vegetativo de las pasturas sometidas a diferentes períodos de descanso post-pastoreo
mediante el análisis multitemporal del NDVI obtenido a partir de imágenes multiespectrales
adquiridas con UAV. Asimismo, se buscó caracterizar la variabilidad espacial del vigor vegetativo en
función de los días de descanso del pasto, con el propósito de generar información que contribuya a la
toma de decisiones en sistemas de pastoreo rotacional y fortalecer el manejo sostenible de los recursos
forrajeros.
En concordancia con este objetivo, se plantea como hipótesis que las imágenes multiespectrales
obtenidas mediante UAV y el análisis del NDVI permiten identificar diferencias espaciales y
temporales del vigor vegetativo asociadas a los distintos períodos de descanso de las pasturas,
constituyéndose en una herramienta eficaz para el monitoreo de la productividad forrajera y el apoyo
a la gestión sostenible de los sistemas ganaderos.
2. Metodología
Área de estudio y diseño experimental
El estudio se llevó a cabo en un potrero perteneciente a la plataforma lechera del Centro Experimental
San Francisco de la Universidad Politécnica Estatal del Carchi (UPEC), bajo condiciones de producción
de pasturas caracterizadas por una distribución heterogénea de la vegetación y la presencia localizada
de infraestructura antropogénica. El área experimental, delimitada en 5000 m², presentó variabilidad
espacial en la cobertura vegetal, la composición de la mezcla forrajera, la acumulación de biomasa y la
respuesta espectral, lo que permitió evaluar la dinámica de las pasturas bajo condiciones ambientales
heterogéneas.
La investigación se desarrolló bajo un enfoque cuantitativo y se fundamentó en la obtención y
análisis de variables numéricas relacionadas con el vigor vegetativo y la productividad forrajera. Se
empleó un diseño observacional no experimental, debido a que no se aplicaron tratamientos ni se
manipularon deliberadamente las condiciones del sistema de pastoreo, limitándose al registro y
análisis de las variables bajo condiciones reales de manejo.
El estudio presentó un carácter longitudinal y multitemporal, puesto que las mediciones
productivas y espectrales se realizaron de forma repetida durante los meses de marzo, abril y mayo de
2026. Este procedimiento permitió evaluar la variabilidad espacial del vigor vegetativo mediante el
Índice de Vegetación de Diferencia Normalizada (NDVI) derivado de imágenes multiespectrales
adquiridas con UAV, así como describir los cambios temporales en la productividad forrajera dentro
de un sistema de pastoreo rotacional altoandino.
Esprint Investigación
https://rei.esprint.tech
Vol. 5 N° 1, enero-junio 2026 (1054-1065)
ISSN: 2960-8317
Wanda Maribel Champutiz Castro, Jeysonn Marcelo Palma Mera 1057
Adquisición de imágenes multiespectrales mediante UAV
Para las campañas de adquisición de imágenes se empleó un vehículo aéreo no tripulado (UAV), cuyas
especificaciones técnicas se presentan en la tabla 1. Los vuelos se realizaron a una altura de 40 m sobre
el nivel del terreno (AGL), bajo condiciones atmosféricas y de iluminación estables, con el propósito
de minimizar las variaciones radiométricas entre fechas de monitoreo y garantizar la consistencia de
la información espectral obtenida. El sensor de irradiancia incorporado en la plataforma permitió
compensar las variaciones en las condiciones de iluminación durante la adquisición de las imágenes.
Tabla 1
Especificaciones técnicas del UAV DJI Mavic 3 Multispectral empleado en la adquisición de imágenes
Componente Especificación técnica
Plataforma UAV DJI Mavic 3 Multispectral (Mavic 3M Enterprise)
Cámara RGB Sensor CMOS 4/3 de 20 MP con obturador mecánico
Sistema multiespectral Cuatro sensores CMOS de 1/2.8" con resolución de 5 MP por banda
Bandas espectrales Verde (560 nm), Roja (650 nm), Borde rojo (730 nm) e Infrarrojo cercano (860 nm)
Sensor adicional Sensor de irradiancia solar para calibración radiométrica en tiempo real
Resolución RGB 20 megapíxeles
Resolución multiespectral 5 megapíxeles por banda
Altitud máxima de operación 6000 m s.n.m.
Índices de vegetación generados NDVI, NDRE y otros índices derivados de las bandas espectrales disponibles
Las imágenes multiespectrales fueron adquiridas mediante un UAV DJI Mavic 3 Multispectral
(Mavic 3M Enterprise), equipado con una cámara RGB CMOS 4/3 de 20 MP con obturador mecánico y
un sistema multiespectral integrado compuesto por cuatro sensores CMOS de 1/2.8" y 5 MP de
resolución, capaces de registrar información en las bandas verde (560 nm), roja (650 nm), borde rojo
(730 nm) e infrarrojo cercano (860 nm).
Adicionalmente, el equipo estuvo equipado con un sensor de irradiancia solar para la corrección
radiométrica y la compensación de las condiciones de iluminación durante el vuelo. Las misiones de
adquisición se realizaron a una altura de 40 m sobre el nivel del terreno (AGL), lo que permitió obtener
imágenes de alta resolución espacial para la generación de ortomosaicos y el cálculo del Índice de
Vegetación de Diferencia Normalizada (NDVI), utilizado para evaluar la variabilidad espacial del
vigor vegetativo en el área de estudio.
Previo al análisis espectral, todas las imágenes obtenidas mediante UAV fueron sometidas a
procesos de generación de ortomosaicos, corrección radiométrica y georreferenciación. Los
ortomosaicos resultantes permitieron realizar análisis espaciales de alta resolución del vigor vegetativo
y de la heterogeneidad de las pasturas.
Las imágenes multiespectrales fueron procesadas mediante el software ArcGIS Pro (Esri Inc.,
Redlands, California, EE. UU.), con el cual se realizaron la georreferenciación, la generación de
Esprint Investigación
https://rei.esprint.tech
Vol. 5 N° 1, enero-junio 2026 (1054-1065)
ISSN: 2960-8317
Wanda Maribel Champutiz Castro, Jeysonn Marcelo Palma Mera 1058
ortomosaicos, el cálculo del Índice de Vegetación de Diferencia Normalizada (NDVI) y la elaboración
de los mapas temáticos empleados para el análisis espacial del vigor vegetativo. El vigor vegetativo
fue evaluado mediante el NDVI, calculado de acuerdo con la siguiente ecuación:
=
(
−
)
/
(
+
)
donde NIR correspondió a la reflectancia registrada en la banda del infrarrojo cercano y Red
representó la reflectancia registrada en la banda espectral roja.
Con base en los valores obtenidos del NDVI, el área de estudio fue clasificada en tres categorías de
vigor vegetativo: bajo (NDVI < 0,20), moderado (NDVI entre 0,20 y 0,50) y alto (NDVI > 0,50), lo que
permitió identificar espacialmente diferencias en la actividad fotosintética. Los valores elevados de
NDVI se asociaron con áreas de mayor vigor vegetativo, mientras que los valores bajos
correspondieron a sectores con menor actividad fotosintética (Rouse et al., 1974; Tucker, 1979; Xue &
Su, 2017). Los tonos verdes representaron una mayor actividad fotosintética y acumulación de
biomasa, mientras que los tonos amarillos y rojos indicaron vegetación de bajo vigor, suelo desnudo o
superficies antropogénicas.
En cada campaña de vuelo se adquirió un conjunto de imágenes multiespectrales que
posteriormente fueron procesadas para generar un ortomosaico representativo del área de estudio
destinado al análisis multitemporal del NDVI. Paralelamente, se realizaron aforos de pastura con
frecuencia semanal mediante un Rising Plate Meter, instrumento que estimó indirectamente la
biomasa a partir de la altura comprimida de la pastura, lo que permitió registrar la dinámica de
crecimiento y la disponibilidad de biomasa durante los tres meses de evaluación.
En total, se obtuvieron 12 observaciones productivas (cuatro por cada mes), las cuales fueron
procesadas mediante el software 3R (Rotation, Residual and Recovery) para estimar variables como la
tasa de crecimiento, la oferta de forraje y la oferta real de forraje. Posteriormente, estos registros fueron
utilizados para comparar temporalmente su comportamiento con la información espacial derivada de
las imágenes multiespectrales.
Variables productivas y monitoreo de pasturas
Las variables productivas fueron monitoreadas semanalmente durante los meses de marzo, abril y
mayo, y posteriormente fueron agregadas para el análisis temporal mensual, con el fin de evaluar los
cambios en la disponibilidad de forraje y la producción de biomasa. Los aforos se efectuaron una vez
por semana mediante un plato medidor de forraje (Rising Plate Meter), técnica ampliamente utilizada
para la estimación indirecta de biomasa en sistemas pastoriles.
Las mediciones obtenidas en campo fueron registradas y procesadas mediante el software 3R
(Rotation, Residual and Recovery), el cual permitió estimar variables como crecimiento de la pastura
(kg MS ha⁻¹ día⁻¹), oferta de forraje (kg MS ha⁻¹) y oferta real de forraje (kg MS ha⁻¹). La frecuencia
semanal de evaluación permitió generar una serie temporal de observaciones sobre la dinámica de
crecimiento y disponibilidad de biomasa durante el período de estudio, facilitando el análisis temporal
de la productividad forrajera bajo condiciones de pastoreo rotacional. Las variables evaluadas se
presentan en la tabla 2.
Esprint Investigación
https://rei.esprint.tech
Vol. 5 N° 1, enero-junio 2026 (1054-1065)
ISSN: 2960-8317
Wanda Maribel Champutiz Castro, Jeysonn Marcelo Palma Mera 1059
Tabla 2
Variables evaluadas durante el monitoreo multitemporal de las pasturas
Variable Unidad Descripción
NDVI Adimensional
Índice de Vegetación de Diferencia Normalizada empleado para evaluar el vigor
vegetativo y la variabilidad espacial de las pasturas mediante imágenes
multiespectrales obtenidas con UAV.
Crecimiento de
la pastura
kg MS ha⁻¹
día⁻¹
Tasa diaria de acumulación de materia seca producida por la pastura durante el
período de evaluación.
Oferta de forraje kg MS ha⁻¹
Cantidad total de materia seca disponible por unidad de superficie antes del
aprovechamiento por los animales.
Oferta real de
forraje
kg MS ha⁻¹
Cantidad efectiva de materia seca disponible para el consumo animal, estimada
considerando las condiciones de manejo del sistema de pastoreo.
Cobertura de
malezas
%
Proporción de la superficie del potrero ocupada por especies vegetales no deseadas
respecto al área total evaluada.
Análisis Estadístico
Debido al carácter exploratorio del estudio y al tamaño de la muestra disponible, el análisis estadístico
se limitó al cálculo de estadísticos descriptivos, empleándose medias, desviaciones estándar y
coeficientes de variación para caracterizar la dinámica temporal de las variables evaluadas. Las
comparaciones entre los meses de marzo, abril y mayo permitieron identificar variaciones temporales
en el vigor vegetativo, la acumulación de biomasa y la disponibilidad de forraje durante el período de
monitoreo. Asimismo, el coeficiente de variación se utilizó para cuantificar la magnitud relativa de la
variabilidad observada en las variables productivas evaluadas.
3. Resultados
Dinámica temporal de la productividad forrajera y variabilidad del vigor vegetativo
La figura 1 presenta el mapa del Índice de Vegetación de Diferencia Normalizada (NDVI) del potrero
experimental del Centro Experimental San Francisco UPEC, obtenido a partir de imágenes
multiespectrales adquiridas mediante UAV. El rango de valores del NDVI varía aproximadamente
entre −0,81 y 0,64, lo que evidencia una alta heterogeneidad espacial en la condición de la vegetación
dentro del área de estudio.
En la distribución espacial, las zonas representadas en tonos verdes corresponden a áreas con mayor
vigor vegetativo y mayor actividad fotosintética, asociadas a mayor densidad y acumulación de biomasa.
Por el contrario, los tonos amarillos, naranjas y rojos indican sectores con bajo vigor vegetativo o ausencia
de cobertura vegetal, posiblemente asociados a suelo desnudo, áreas degradadas o infraestructura
interna del potrero. Se observa además una franja lateral con valores muy bajos de NDVI,
correspondiente a una estructura lineal que sugiere la presencia de infraestructura o áreas no vegetadas.
La figura incluye información cartográfica complementaria como el sistema de referencia WGS 84 /
UTM zona 17S, escala aproximada 1:1 500, resolución espacial de 4,6 cm/píxel, y un área total de
estudio de 5 000 m², lo que garantiza alta precisión espacial en la caracterización de la variabilidad del
Esprint Investigación
https://rei.esprint.tech
Vol. 5 N° 1, enero-junio 2026 (1054-1065)
ISSN: 2960-8317
Wanda Maribel Champutiz Castro, Jeysonn Marcelo Palma Mera 1060
vigor vegetativo. En conjunto, el mapa permite identificar patrones espaciales claros de
heterogeneidad del pasto, fundamentales para el análisis de productividad forrajera y manejo del
sistema de pastoreo rotacional.
Figura 1
Distribución espacial del Índice de Vegetación de Diferencia Normalizada (NDVI) obtenido mediante imágenes
multiespectrales UAV en el potrero experimental del Centro Experimental San Francisco UPEC
La evaluación multitemporal realizada durante los meses de marzo, abril y mayo evidenció
variaciones significativas en la productividad de las pasturas a lo largo del período de monitoreo. Los
indicadores productivos mostraron una respuesta temporal diferenciada en el crecimiento del forraje
y la acumulación de biomasa, observándose una disminución en mayo en comparación con abril, lo
que refleja la variabilidad temporal del sistema estudiado (tabla 3).
La tasa de crecimiento de la pastura aumentó de 220,1 kg MS ha⁻¹ día⁻¹ en marzo a 630,2 kg MS ha⁻¹
día⁻¹ en abril, valor que representó el mayor rendimiento productivo del período. Posteriormente,
disminuyó a 188,7 kg MS ha⁻¹ día⁻¹ en mayo. De manera similar, la oferta real de forraje se incrementó
de 2.541,0 kg MS ha⁻¹ en marzo a 4.151,4 kg MS ha⁻¹ en abril, para luego descender a 2.321,0 kg MS ha⁻¹
en mayo.
En términos relativos, el crecimiento de la pastura presentó un incremento aproximado del 186,3 %
entre marzo y abril, mientras que la oferta real de forraje aumentó en un 63,4 % en el mismo período.
En contraste, entre abril y mayo, la tasa de crecimiento disminuyó en aproximadamente un 70,1 %,
acompañada de una reducción del 44,1 % en la oferta real de forraje. Estos resultados indican que abril
representó el período de mayor acumulación de biomasa y mejor desempeño productivo dentro del
ciclo vegetativo evaluado.
La cobertura de malezas se mantuvo constante en 50 % durante todo el período de monitoreo, lo
que sugiere que las variaciones observadas en la productividad estuvieron asociadas principalmente
Esprint Investigación
https://rei.esprint.tech
Vol. 5 N° 1, enero-junio 2026 (1054-1065)
ISSN: 2960-8317
Wanda Maribel Champutiz Castro, Jeysonn Marcelo Palma Mera 1061
a la dinámica de crecimiento de la pastura y no a cambios en la composición de malezas. Para
caracterizar la variabilidad temporal de las variables evaluadas, se calcularon estadísticos descriptivos
que se presentan en la tabla 4.
Tabla 3
Variación temporal de los indicadores productivos durante el período de evaluación
Mes
Crecimiento (kg MS ha⁻¹
día⁻¹)
Oferta de forraje (kg
MS ha⁻¹)
Oferta real de forraje (kg
MS ha⁻¹)
Cobertura de malezas
(%)
Marzo 220,1 1.541 2.541,0 50
Abril 630,2 3.151 4.151,4 50
Mayo 188,7 1.321 2.321,0 50
Tabla 4
Estadísticos descriptivos de las variables productivas durante el período de monitoreo
Variable Media Desviación estándar Coeficiente de variación (%)
Crecimiento (kg MS ha⁻¹ día⁻¹) 346,3 247,9 71,6
Oferta real de forraje (kg MS ha⁻¹) 3.004,5 1.015,3 33,8
El análisis descriptivo evidenció que el crecimiento de la pastura fue la variable con mayor
variabilidad temporal durante el período de estudio, mientras que la oferta real de forraje presentó
una variabilidad moderada. En conjunto, los resultados confirman que el monitoreo multiespectral
mediante UAV, integrado con indicadores productivos de campo, permite caracterizar de manera
eficiente la dinámica espaciotemporal del vigor vegetativo y la productividad forrajera en sistemas de
pastoreo rotacional.
4. Discusión
El monitoreo multitemporal realizado durante los meses de marzo, abril y mayo evidenció una
variabilidad temporal significativa en la productividad de las pasturas y en el vigor vegetativo dentro
del sistema de pastoreo rotacional evaluado. El incremento del crecimiento de la pastura desde 220,1
kg MS ha⁻¹ día⁻¹ en marzo hasta 630,2 kg MS ha⁻¹ día⁻¹ en abril, junto con el aumento de la oferta real
de forraje de 2.541,0 a 4.151,4 kg MS ha⁻¹, refleja fluctuaciones marcadas en la acumulación de biomasa
durante el ciclo vegetativo analizado. Estos resultados son consistentes con estudios basados en UAV
que han demostrado la capacidad de las imágenes multiespectrales para detectar variaciones
temporales en la productividad de la vegetación (Tsouros et al., 2019).
Los valores de NDVI obtenidos en el presente estudio (−0,81 a 0,64) revelaron una marcada
heterogeneidad espacial en el área experimental. Este comportamiento es coherente con lo reportado
por Rouse et al. (1974), quienes establecieron el NDVI como un indicador del vigor vegetativo basado
en el contraste entre las bandas del rojo y del infrarrojo cercano. Posteriormente, Tucker (1979)
demostró que este índice se relaciona estrechamente con la actividad fotosintética, la densidad vegetal
y la acumulación de biomasa bajo diversas condiciones ambientales.
Esprint Investigación
https://rei.esprint.tech
Vol. 5 N° 1, enero-junio 2026 (1054-1065)
ISSN: 2960-8317
Wanda Maribel Champutiz Castro, Jeysonn Marcelo Palma Mera 1062
La diferenciación espacial observada entre zonas de alto y bajo vigor coincide con Zhang & Kovacs
(2012), quienes señalaron que las plataformas UAV permiten identificar con alta resolución espacial la
variabilidad de la vegetación y zonas de manejo que no son detectables mediante observación
convencional. En este sentido, la teledetección mediante UAV se consolida como una herramienta
clave en la agricultura de precisión debido a su capacidad de generar información detallada, flexible y
de rápida adquisición.
El mayor desempeño productivo registrado en abril coincidió con el período de máxima acumulación
de biomasa dentro del ciclo evaluado. Aunque el estudio no incorporó análisis inferenciales que
permitan establecer relaciones estadísticas entre NDVI y biomasa, la literatura evidencia correlaciones
consistentes entre variables espectrales y productividad forrajera. En este sentido, Näsi et al. (2018)
reportaron asociaciones significativas entre datos UAV, biomasa y estado nutricional en cultivos
forrajeros, respaldando su utilidad para la estimación indirecta de productividad.
Un hallazgo relevante fue la persistencia de una cobertura de malezas del 50 % durante todo el
período de monitoreo, pese a las variaciones en el crecimiento de la pastura. Este comportamiento
sugiere que la dinámica productiva estuvo influenciada principalmente por el crecimiento del forraje
y no por cambios en la composición de la cobertura vegetal. Estudios como el de Peña et al. (2015) han
demostrado que las imágenes multiespectrales UAV permiten discriminar coberturas vegetales y
detectar malezas, lo cual resalta la importancia de considerar la composición florística en la
interpretación de índices espectrales.
Las fluctuaciones temporales observadas en la productividad de las pasturas respaldan la utilidad
del NDVI derivado de UAV como indicador operativo para el monitoreo de sistemas forrajeros. Hunt
et al. (2010) señalaron que las imágenes multiespectrales permiten evaluar el estado de los cultivos con
alta precisión espacial, mientras que Berni et al. (2009) destacaron su capacidad para detectar
variaciones fisiológicas antes de que estas sean visibles mediante observación directa, lo que representa
una ventaja en la toma de decisiones de manejo.
La dinámica temporal observada indicó que abril representó el período de mayor desempeño
productivo dentro del ciclo evaluado, evidenciado por las mayores tasas de crecimiento y
disponibilidad de forraje. A pesar de que el estudio se desarrolló en una única unidad experimental,
la integración de datos multiespectrales UAV con variables productivas permitió caracterizar de forma
consistente la dinámica del sistema pastoril. Resultados similares han sido reportados por Tsouros et
al. (2019), quienes destacan la utilidad de los UAV como herramientas rápidas, no destructivas y de
bajo costo para el monitoreo agrícola.
En conjunto, la integración del NDVI, las imágenes multiespectrales y las variables productivas
proporcionó un marco metodológico robusto para analizar la variabilidad espacial y temporal del
sistema de pastoreo evaluado. Las fluctuaciones en la acumulación de biomasa, junto con la
heterogeneidad espacial detectada en los mapas NDVI, confirman la utilidad de la teledetección
mediante UAV para el monitoreo de pasturas y la toma de decisiones en sistemas ganaderos de precisión.
Los resultados deben interpretarse considerando algunas limitaciones. El estudio se desarrolló en
una única unidad experimental durante un período de tres meses, lo que limita la generalización de
los hallazgos. Asimismo, el análisis se basó principalmente en estadística descriptiva, por lo que no se
evaluaron relaciones causales o correlacionales entre NDVI y productividad forrajera. Futuras
investigaciones deberían incorporar un mayor número de unidades experimentales, períodos de
monitoreo más amplios y análisis inferenciales que permitan fortalecer la comprensión de la relación
entre indicadores espectrales y productividad de pasturas.
Esprint Investigación
https://rei.esprint.tech
Vol. 5 N° 1, enero-junio 2026 (1054-1065)
ISSN: 2960-8317
Wanda Maribel Champutiz Castro, Jeysonn Marcelo Palma Mera 1063
5. Conclusiones
La integración de imágenes multiespectrales derivadas de UAV y el análisis del Índice de Vegetación
de Diferencia Normalizada (NDVI) permitió caracterizar la variabilidad espacial del vigor vegetativo
dentro del sistema de pastoreo rotacional evaluado en el Centro Experimental San Francisco de la
UPEC. Los valores de NDVI obtenidos (−0,81 a 0,64) evidenciaron una marcada heterogeneidad
espacial, lo que permitió diferenciar zonas con niveles contrastantes de actividad fotosintética y
acumulación de biomasa.
La evaluación multitemporal realizada durante los meses de marzo, abril y mayo evidenció
variaciones significativas en la productividad de las pasturas a lo largo del período de estudio. El
mayor desempeño productivo se registró en abril, cuando el crecimiento de la pastura alcanzó 630,2
kg MS ha⁻¹ día⁻¹ y la oferta real de forraje 4.151,4 kg MS ha⁻¹, superando los valores observados en
marzo y mayo. Estos resultados confirman la existencia de fluctuaciones temporales en la dinámica de
crecimiento y acumulación de biomasa en el sistema evaluado.
El uso combinado de indicadores productivos e información multiespectral derivada de UAV
permitió describir de manera integral la dinámica espaciotemporal de las pasturas bajo manejo de
pastoreo rotacional. La relación entre la variabilidad temporal del crecimiento forrajero y la
heterogeneidad espacial del NDVI sugiere la utilidad de la teledetección multiespectral como
herramienta no destructiva, eficiente y de alta resolución para el monitoreo de la condición de las
pasturas y el apoyo a la toma de decisiones en sistemas de producción ganadera.
Aunque el estudio se desarrolló en una única unidad experimental y en un período de tiempo
limitado, los resultados sugieren que el monitoreo multitemporal mediante UAV permite detectar de
manera efectiva cambios en el vigor vegetativo y la productividad forrajera. Futuros estudios que
incorporen un mayor número de unidades experimentales, series temporales más extensas y análisis
inferenciales permitirán fortalecer la generalización de los hallazgos y profundizar la relación entre
indicadores espectrales y desempeño productivo en sistemas pastoriles.
Referencias
Ali, A., & Kaul, H. (2025). Monitoring yield and quality of forages and grassland in the view of
precision agriculture applications—A review. Remote Sensing, 17(2), 279.
https://doi.org/10.3390/rs17020279
Allen, V., Batello, C., Berretta, E., Hodgson, J., Kothmann, M., Li, X., McIvor, J., Milne, J., Morris, C.,
Peeters, A., & Sanderson, M. (2011). An international terminology for grazing lands and grazing
animals. Grass and Forage Science, 66(1), 2–28. https://doi.org/10.1111/j.1365-2494.2010.00780.x
Berni, J., Zarco-Tejada, P., Suárez, L., & Fereres, E. (2009). Thermal and narrowband multispectral
remote sensing for vegetation monitoring from an unmanned aerial vehicle. IEEE Transactions
on Geoscience and Remote Sensing, 47(3), 722–738. https://doi.org/10.1109/TGRS.2008.2010457
Hunt, E., Hively, W., Fujikawa, S., Linden, D., Daughtry, C., & McCarty, G. (2010). Acquisition of NIR-
green-blue digital photographs from unmanned aircraft for crop monitoring. Remote Sensing,
2(1), 290–305. https://doi.org/10.3390/rs2010290
Malenovský, Z., Lucieer, A., King, D., Turnbull, J., & Robinson, S. (2019). Unmanned aircraft system
advances health mapping of fragile polar vegetation. Methods in Ecology and Evolution, 10(11),
1842–1857. https://doi.org/10.1111/2041-210X.12833
Esprint Investigación
https://rei.esprint.tech
Vol. 5 N° 1, enero-junio 2026 (1054-1065)
ISSN: 2960-8317
Wanda Maribel Champutiz Castro, Jeysonn Marcelo Palma Mera 1064
Matese, A., & Di Gennaro, S. (2021). Beyond the traditional NDVI index as a key factor to mainstream
the use of UAV in precision viticulture. Scientific Reports, 11(1), 2721.
https://doi.org/10.1038/s41598-021-81652-3
Näsi, R., Viljanen, N., Kaivosoja, J., Alhonoja, K., Hakala, T., Markelin, L., & Honkavaara, E. (2018).
Estimating biomass and nitrogen amount of barley and grass using UAV and aircraft based
spectral and photogrammetric 3D features. Remote Sensing, 10(7), 1082.
https://doi.org/10.3390/rs10071082
Peña, J., Torres-Sánchez, J., Serrano-Pérez, A., de Castro, A., & López-Granados, F. (2015). Quantifying
efficacy and limits of unmanned aerial vehicle (UAV) technology for weed seedling detection
as affected by sensor resolution. Sensors, 15(3), 5609–5626. https://doi.org/10.3390/s150305609
Rouquette, F., Sollenberger, L., & Vendramini, J. (2023). Grazing management and stocking strategy
decisions for pasture-based beef systems: Experimental confirmation vs. testimonials and
perceptions. Translational Animal Science, 7(1), txad069. https://doi.org/10.1093/tas/txad069
Rouse, J., Haas, R., Schell, J., & Deering, D. (1974). Monitoring vegetation systems in the Great Plains
with ERTS. En Third Earth Resources Technology Satellite-1 Symposium: Technical Presentations
(Vol. 1, Section A, Paper A20). National Aeronautics and Space Administration (NASA).
https://ntrs.nasa.gov/api/citations/19740022614/downloads/19740022614.pdf
Serrano, J., Shahidian, S., Paixão, L., Marques da Silva, J., & Paniágua, L. L. (2024). Pasture quality
assessment through NDVI obtained by remote sensing: A validation study in the
Mediterranean silvo-pastoral ecosystem. Agriculture, 14(8), 1350.
https://doi.org/10.3390/agriculture14081350
Tsouros, D., Bibi, S., & Sarigiannidis, P. (2019). A review on UAV-based applications for precision
agriculture. Information, 10(11), 349. https://doi.org/10.3390/info10110349
Tucker, C. (1979). Red and photographic infrared linear combinations for monitoring vegetation.
Remote Sensing of Environment, 8(2), 127–150. https://doi.org/10.1016/0034-4257(79)90013-0
Villalobos, F., & Fereres, E. (2017). Fitotecnia: Principios de agronomía para una agricultura sostenible.
Ediciones Mundi-Prensa. https://n9.cl/rweni
von Bueren, S., & Yule, I. (2013). Multispectral aerial imaging of pasture quality and biomass using unmanned
aerial vehicles (UAV). En Proceedings of the FLRC Workshop 2013. Massey University.
https://n9.cl/s4n7b
Xue, J., & Su, B. (2017). Significant remote sensing vegetation indices: A review of developments and
applications. Journal of Sensors, 2017, 1353691. https://doi.org/10.1155/2017/1353691
Zhang, C., & Kovacs, J. M. (2012). The application of small unmanned aerial systems for precision
agriculture: A review. Precision Agriculture, 13(6), 693–712. https://doi.org/10.1007/s11119-012-
9274-5
Zhao, Y., Liu, Z., & Wu, J. (2020). Grassland ecosystem services: A systematic review of research
advances and future directions. Landscape Ecology, 35(4), 793–814.
https://doi.org/10.1007/s10980-020-00980-3
Esprint Investigación
https://rei.esprint.tech
Vol. 5 N° 1, enero-junio 2026 (1054-1065)
ISSN: 2960-8317
Wanda Maribel Champutiz Castro, Jeysonn Marcelo Palma Mera 1065
Transparencia
Conflicto de interés
Los autores declaran que no existen conflictos de interés de naturaleza alguna como parte de la
presente investigación.
Fuente de financiamiento
Los autores financiaron completamente la investigación.
Contribución de autoría
Wanda Maribel Champutiz Castro: Conceptualización, metodología, software, análisis formal,
investigación, redacción - preparación del borrador original, redacción - revisión y edición,
financiamiento, administración del proyecto, recursos, supervisión.
Jeysonn Marcelo Palma Mera: Conceptualización, validación, análisis formal, investigación, gestión de
datos, visualización, redacción - preparación del borrador original, redacción - revisión y edición,
financiamiento, recursos, supervisión.
Los autores contribuyeron activamente en el análisis de los resultados, revisión y aprobación del
manuscrito final.
