26/03/2021 - Investigadores de la UVa diseñan un nuevo índice mejorado para predecir cosechas mediante técnicas de inteligencia artificial

Menéame

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 a DICYT 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.

_______________________________________________

Cristina González Pedraz

Agencia DiCYT- Fundación 3CIN

La Agencia Internacional de la Energía (AIE) ha presentado el 11 de noviembre de 2026, durante la COP31 celebrada en Antalya, un informe sobre el papel de la economía circular y el uso eficiente de los recursos en la descarbonización. El trabajo, realizado a petición de la Presidencia turca de la cumbre climática, examina cómo las decisiones de diseño industrial,...

La AIE anuncia el lanzamiento de Global Observatory on Energy Sector Resilience, una plataforma destinada a reunir datos y análisis sobre la exposición de las infraestructuras energéticas a peligros naturales y amenazas deliberadas, acaba de ser presentada . Su objetivo es ofrecer a gobiernos, operadores e industria información con la que priorizar medidas de prevención, planificación y recuperación del suministro....

El Colegio de Ingenieros de Caminos, Canales y Puertos acaba de publicar el informe «Diez claves técnicas y diez propuestas preliminares tras el accidente de Urda», elaborado por un comité de seguimiento constituido por la institución el 28 de octubre. Su propósito es plantear mejoras para la seguridad del sistema ferroviario español y explicar algunos de sus elementos técnicos a...

La aplicación de inteligencia artificial generativa a la ingeniería de presas será el tema de una jornada técnica organizada por el Comité Nacional Español de Grandes Presas (SPANCOLD), en colaboración con el Colegio de Ingenieros de Caminos, Canales y Puertos y el Ministerio para la Transición Ecológica. La convocatoria se desarrollará el 9 de diciembre estará centrada en fundamentos, posibles...

El Campus de Alcoy de la Universitat Politècnica de València (UPV) ha comunicado el reconocimiento de EcoCavi, una propuesta emprendedora que plantea transformar residuos textiles en materiales de acondicionamiento acústico. La iniciativa, impulsada por Irene Coral Carrión y Pablo Villalba Moral, obtuvo el primer premio en Innovación Tecnológica dentro de la categoría de Proyecto Empresarial del Concurso Emprendedor Universitario 2K26,...