Agronews Castilla y León

Investigadores del Laboratorio de Teledetección (LATUV) de la Universidad de Valladolid (UVa) han diseñado un nuevo índice de vegetación capaz de mejorar los modelos de predicción de cosechas. La nueva técnica, que emplea imágenes del satélite Sentinel-2 de la ESA y técnicas de inteligencia artificial y aprendizaje automático de máquinas, ha sido probada de forma exitosa en la predicción del rendimiento del cultivo de la patata y del trigo.

La producción agrícola depende de una gran cantidad de factores, tanto humanos como ambientales, que generan una gran incertidumbre entre los agricultores. Pero la tecnología puede ser una importante aliada para reducirla. Es el caso de los modelos computacionales que tratan de simular el comportamiento de un cultivo bajo unas condiciones concretas, -por ejemplo de suelo, clima o a prácticas agrícolas- y, en función de esa evolución prevista, estimar producciones agrícolas.

“Hay multitud de modelos y suelen ser específicos para cada tipo de cultivo”, explica Diego Gómez, investigador del LATUV y primer autor de sendos estudios publicados recientemente en las revistas International Journal of Remote Sensing y Agricultural and Forest Meteorology.

Pero estos modelos de crecimiento tradicionales cuentan con algunas limitaciones, como por ejemplo “la imposibilidad de modelizar de forma espacial la variabilidad dentro de una misma parcela” o la multitud de datos de entrada que requieren y que “no se suelen obtener debido al elevado coste de tiempo y dinero que supone su recogida”.

Así, en los últimos años se está apostando por una tecnología, la teledetección, que utiliza imágenes espectrales tomadas por sensores ópticos (instalados en satélites, avionetas, drones, etc.) y que puede complementar e incluso llegar a sustituir en algunos casos estos modelos tradicionales. Estas imágenes espectrales proporcionan datos sobre el estado o fenología del cultivo -los cambios externos visibles del proceso de desarrollo de la planta-, que son integrados en modelos que ajustan esa información de entrada para predecir cosechas.

“Las imágenes espectrales cubren esa necesidad de datos de entrada, permiten acceder a sitios remotos y tienen un bajo coste. Además son capaces de obtener información que está relacionada con la capacidad productiva del cultivo”, señala el investigador del LATUV, quien recuerda que uno de los índices espectrales -fórmulas matemáticas que combinan bandas espectrales- de vegetación más utilizados para estimar la vigorosidad o la densidad de la vegetación -lo que permite finalmente predecir la productividad del cultivo-, es el NDVI (siglas en inglés de Índice de Vegetación de Diferencia Normalizada).

La utilización de series temporales de este índice para generar modelos predictivos de cosechas es muy común en la literatura científica. Este índice utiliza la reflectancia de la vegetación -la capacidad de la vegetación de reflejar la luz- en dos bandas espectrales, el rojo y el infra-rojo cercano, que están relacionadas con parte de la luz utilizada para la fotosíntesis y la estructura celular de las hojas, respectivamente.

Un nuevo índice de vegetación

Los investigadores del LATUV han desarrollado un nuevo índice denominado PPI basado en imágenes del satélite de la ESA Sentinel-2 que, además de tener en cuenta la información espectral involucrada en la fotosíntesis -de 400 a 700 nanómetros-, tiene en cuenta la información procedente de otras zonas del espectro electromagnético -704 nanómetros, banda en Red Edge y 945 nanómetros, banda absorción vapor de agua-, lo que puede ofrecer otra información clave sobre el estado del cultivo, como por ejemplo, su estrés hídrico –cuando la planta demanda más cantidad de agua de la que dispone-.

Los investigadores compararon la capacidad predictiva de ambos índices de vegetación, NDVI y PPI, junto con más datos procedentes de imágenes de satélite. Para ello, emplearon dos algoritmos de Inteligencia Artificial y aprendizaje de máquinas (denominados Random Forest y Support Vector Machine), y generaron diversos modelos en los que combinaron estos índices con el resto de bandas del satélite.

“La hipótesis fue que, al utilizar un índice que emplea otras bandas no incluidas en el popular índice NDVI y, por otro lado, con cierta potencialidad de aportar información sensible del cultivo, los modelos predictivos serían mejores”, apunta Gómez, quien avanza que, finalmente, la capacidad predictiva de los modelos “aumentaba cuando se incluía alguno de los dos índices de vegetación o ambos”, lo que pone en valor “el uso de estos datos de forma combinada con ciertas bandas individuales del satélite”.

Predicciones más precisas en cultivo de patata

Los resultados muestran que el índice PPI aporta información similar al NDVI cuando se utiliza el algoritmo Support Vector Machine, y es significativamente más informativo que el NDVI cuando se utiliza el algoritmo Random Forest, unos resultados prometedores “que ponen encima de la mesa un nuevo índice de vegetación que puede mejorar los modelos predictivos de cosechas basados en imágenes de satélite”.

Hasta el momento, el nuevo índice ha sido probado en cultivo de patata en una zona de estudio bastante localizada. Tras el cereal, la patata es uno de los cultivos alimentarios más importantes a nivel global. Juega un papel fundamental en la seguridad alimentaria de los países en vías de desarrollo y también tiene un gran peso en el sector agrario europeo, con Alemania, Francia, Países Bajos y Polonia como principales productores. Asimismo, se ha probado en trigo con datos tomados en México.

La idea del equipo es aumentar el número de datos para mejorar la solidez del modelo, cubrir una zona de estudio mayor para aumentar la variabilidad espacial e incorporar nuevos cultivos. Unas perspectivas que dependen de la continuidad de la financiación y que, en el futuro, pueden ayudar a los agricultores a predecir su cosecha de una manera más fiable.

Referencia
Gómez, D., Salvador, P., Sanz, J., & Casanova, J. L. (2021). New spectral indicator Potato Productivity Index based on Sentinel-2 data to improve potato yield prediction: a machine learning approach. International Journal of Remote Sensing, 42(9), 3430-3448.



Gómez, D., Salvador, P., Sanz, J., & Casanova, J. L. (2021). Modelling wheat yield with antecedent information, satellite and climate data using machine learning methods in Mexico. Agricultural and Forest Meteorology, 300, 108317.

Sección: