En la Pampa Deprimida, los sistemas de cría bovina en su mayoría se basan en una oferta forrajera compuesta principalmente por pastizales naturales (Hidalgo,et al., 2002) conformado por un mosaico de comunidades vegetales integrado por especies de crecimiento otoño-invierno-estival y primavera-estivo-otoñal.
Los pastizales son utilizados durante todo el año con la misma carga animal (Fernández Grecco,et al., 1999)y aunque permanece productivo durante todo el año; en condiciones naturales presenta tasas de crecimiento mínimas durante el invierno y máximas durante fines de primavera y principio de verano.
Esta situación genera una presión de pastoreo diferente con un fuerte impacto negativo principalmente sobre las especies adaptadas a crecer durante el otoño e invierno (Agnusdei et al., 1997).
La producción primaria neta aérea (PPNA) es la tasa de generación de alimento para el ganado y se vincula con la receptividad o capacidad de carga de los sistemas pastoriles (Oesterheld et al., 1999). La PPNA presenta alta variabilidad que se manifiesta en el tiempo (intra e inter anual) y en el espacio (sitios, potreros) a diferentes escalas (Lauenroth y Sala, 1992).
La PPNA puede ser estimada a partir de métodos tradicionales, como los cortes sucesivos de biomasa (Altesor et al., 2005; Bermúdez y Ayala, 2005; Oesterheld,Paruelo; Pezzani et al., 2017), o a partir de métodos innovadores, como los modelos empíricos (Grigera et al., 2007; Grigera, Oesterheld y Pacín, 2007; Piñeiro, Oesterheld y Paruelo, 2006; Paruelo, Oyarzabal y Oesterheld, 2011). Debido a las grandes variaciones estacionales que muestra la PPNA, los métodos tradicionales presentan ciertas desventajas para su correcta estimación (Sala, Biondini y Lauenroth, 1988; Scurlock, Johnson y Olson, 2002). Por un lado, son costosos en tiempo y esfuerzo; además, sus resultados responden a situaciones particulares del sitio en estudio, lo que dificulta las extrapolaciones a nivel regional (Chuvieco, 2002). En este sentido, los modelos empíricos (principalmente aquellos basados en datos aportados por sensores remotos) toman importancia, ya que resuelven con gran precisión muchos de estos inconvenientes.
Los sensores remotos presentan características que los hacen sumamente adecuados para estimar la PPNA. Por un lado, es un método poco costoso, además de que permite cubrir grandes extensiones y en períodos constantes de tiempo.
Uno de los productos derivados de los sensores remotos son los índices espectrales, entre los cuales el Índice de Vegetación Normalizada (IVN) es uno de los más utilizados. El IVN es calculado a partir de la reflectancia en la porción del espectro electromagnético correspondiente al rojo e infrarrojo. Este índice muestra una estrecha relación con la fracción de Radiación Fotosintéticamente Activa Absorbida (fRFAA) por la vegetación verde y por lo tanto con la PPNA (Tucker y Sellers, 1986; Prince, 1991; Paruelo et al., 2004; Piñeiro, Oesterheld y Paruelo, 2006).
Monteith (1972) planteó un modelo empírico para estimar la PPNA (Ecuación 1) PPNA (g m-2 año-1) = RFA (MJ m-2 año-1) x fRFAA x EUR (g MJ-1).
El componente RFA es obtenidas por información de estaciones meteorológicas con una distancia máxima de cercanía de 400 km. La fRFAA se obtiene del procesamiento del IVN obtenido de los sensores remotos del satélite y la EUR se obtiene de datos de bibliografía o de PPNA obtenidos en el establecimiento.