Categoría: Teledetección

La tecnología de teledetección ha transformado radicalmente la forma en que medimos, monitoreamos y gestionamos la biomasa terrestre de nuestro planeta. El cálculo de la biomasa terrestre mediante teledetección ya no es una mera curiosidad de investigación confinada a laboratorios universitarios, sino una herramienta operativa fundamental utilizada por gobiernos, agencias forestales, científicos agrícolas e investigadores climáticos de todo el mundo.

El mercado de la teledetección en la agricultura por sí solo se valoró en $3.8 mil millones en 2025 y se prevé que crezca hasta $9.6 mil millones para 2034 en un CAGR de 10,9%, Según un informe sectorial de Dataintelo de 2026, una parte importante de este crecimiento se debe a la demanda de datos fiables sobre biomasa para respaldar la contabilidad del carbono, la agricultura de precisión y la monitorización ambiental.

¿Qué es la biomasa terrestre?

La biomasa terrestre (la masa seca total de todo el material orgánico en un área definida) se mide en unidades métricas como toneladas por hectárea (t/ha) o megagramos por hectárea (Mg/ha), donde 1 Mg equivale a 1 tonelada métrica. Representa el producto acumulado de la fotosíntesis: el carbono que las plantas, los árboles y otros organismos han capturado de la atmósfera y fijado en materia física.

Es uno de los indicadores más importantes de la salud de los ecosistemas, el almacenamiento de carbono y la productividad de los cultivos; sin embargo, los métodos de medición tradicionales basados en el terreno han sido durante mucho tiempo demasiado lentos, costosos y con limitaciones espaciales para satisfacer las necesidades de la gestión moderna de la tierra.

Biomasa aérea (AGB) y biomasa subterránea (BGB)

Los científicos dividen la biomasa en dos categorías principales. La biomasa aérea (BA) abarca todo lo que crece por encima de la superficie del suelo: tallos, troncos, ramas, hojas y madera muerta en pie. La biomasa subterránea (BGB) abarca los sistemas radiculares y otros materiales orgánicos del subsuelo. En la mayoría de los ecosistemas forestales, la BGB representa aproximadamente 20–30% de biomasa total, y su medición sigue siendo mucho más difícil que la estimación de la biomasa aérea.

La biomasa se clasifica en biomasa viva (material vegetal en crecimiento activo y metabólicamente activo) y biomasa muerta (madera muerta en pie o caída, hojarasca seca). Ambos tipos almacenan carbono y contribuyen al total de carbono del paisaje, pero responden de manera diferente al fuego, las enfermedades y las intervenciones de manejo.

Como indicador ambiental, la biomasa ocupa una posición de gran relevancia. Los altos niveles de biomasa señalan ecosistemas productivos y saludables con un elevado potencial de captura de carbono. Las tendencias decrecientes de biomasa revelan deforestación, sequía, degradación del suelo o sobreexplotación. Para los agricultores, la biomasa aérea se correlaciona directamente con el potencial de rendimiento de los cultivos, lo que la convierte en una de las métricas más prácticas en la agricultura de precisión.

¿Por qué calcular la biomasa terrestre mediante teledetección?

La estimación tradicional de biomasa se basa en mediciones de campo: los investigadores recolectan parcelas de muestra, secan el material vegetal en hornos y lo pesan para determinar la masa seca por unidad de área. Este proceso destructivo y laborioso funciona a escala de parcela, pero resulta completamente impracticable cuando se necesitan datos de biomasa para un bosque nacional, una cuenca fluvial o una zona agrícola continental. Limitaciones clave de los estudios de campo terrestres

1. La cobertura espacial está severamente restringida. Un equipo de campo puede medir de forma realista la biomasa en unas pocas docenas de parcelas por temporada. Un satélite cubre millones de hectáreas en un solo sobrevuelo, lo que hace imposible el monitoreo a escala del paisaje sin la teledetección.

2. Los estudios de campo son caros y lentos. El despliegue de personal capacitado en bosques remotos o en vastos paisajes agrícolas requiere presupuestos importantes, coordinación logística y tiempo, factores que se vuelven poco escalables a medida que aumentan las áreas de estudio.

3. El muestreo destructivo daña el ecosistema. La recolección de muestras para pesar la biomasa destruye la vegetación que se está estudiando, lo cual es incompatible con los programas de monitoreo a largo plazo que requieren mediciones repetidas en el mismo lugar.

4. La frecuencia temporal es demasiado baja. Los equipos de campo suelen inspeccionar un sitio una vez al año, en el mejor de los casos. Los satélites pueden volver a visitar la misma ubicación cada pocos días, lo que permite un monitoreo continuo de los cambios estacionales de la biomasa y respuestas rápidas a eventos como incendios o sequías.

La teledetección aborda todas estas limitaciones a la vez. Una sola imagen del satélite Sentinel-2 cubre 290 km² por escena en Resolución espacial de 10 metros, proporcionando datos de vegetación repetibles y completos sin coste adicional por hectárea. Las aplicaciones que dependen de datos precisos de biomasa terrestre son extensas:

• Contabilidad del carbono y REDD+: Los marcos internacionales sobre el clima requieren estimaciones verificadas de las reservas de carbono forestal. Los mapas de biomasa basados en teledetección proporcionan la cobertura espacial y la frecuencia de actualización que los inventarios forestales nacionales por sí solos no pueden ofrecer.
• Seguimiento agrícola: La biomasa de los cultivos en las diferentes etapas de crecimiento predice el rendimiento final, sirve de base para la planificación del riego y permite detectar el estrés hídrico en sus primeras etapas, antes de que se convierta en una pérdida de productividad.
• Gestión forestal: El volumen de madera, la carga de combustible para el riesgo de incendios forestales y la evaluación de la biodiversidad dependen de estimaciones fiables de la biomasa en grandes áreas forestales.
• Gestión ambiental: El seguimiento de la degradación del suelo, la evaluación de los humedales y la detección de especies invasoras utilizan el cambio de biomasa como señal principal.

Cómo la teledetección mide la biomasa terrestre: los principios físicos

Todos los sistemas de teledetección —ya sean satélites ópticos, radares o láseres— recopilan información sobre la vegetación midiendo cómo interactúa la energía electromagnética con el material vegetal. Comprender esta interacción es fundamental para entender por qué la teledetección puede estimar la biomasa.

Las plantas reflejan, absorben y transmiten la radiación electromagnética de manera diferente según su composición química interna, contenido de agua, estructura de las hojas y arquitectura de su follaje. La clorofila (el pigmento verde que impulsa la fotosíntesis) absorbe fuertemente las longitudes de onda rojas y azules, mientras que refleja la energía verde y la del infrarrojo cercano.

Por lo tanto, la vegetación sana y densa presenta un patrón espectral característico: baja reflectancia en el rojo y alta reflectancia en el infrarrojo cercano. Este patrón, denominado firma espectral, es medible desde el espacio y su intensidad se correlaciona con la cantidad de materia vegetal por unidad de superficie.

De las señales espectrales a los valores de biomasa

Los sensores capturan la firma espectral y calculan índices de vegetación (relaciones matemáticas que cuantifican la intensidad de la señal de vegetación en una imagen). Estos índices se vinculan a la biomasa mediante modelos estadísticos o de aprendizaje automático, calibrados con mediciones de biomasa obtenidas en campo. El resultado es un mapa de biomasa espacialmente continuo: cada píxel de la imagen recibe un valor de biomasa estimado.

El flujo de trabajo de procesamiento de datos sigue una secuencia clara. Los datos satelitales brutos llegan con distorsiones geométricas e interferencias atmosféricas. El preprocesamiento corrige estos errores. Los índices de vegetación se calculan a partir de las imágenes corregidas. Las muestras de biomasa medidas en campo sirven como referencia para la calibración del modelo. El modelo validado se aplica a toda la extensión de la imagen para generar un mapa de biomasa final.

Además de la reflectancia espectral, existen otras señales físicas que aportan información sobre la biomasa. La altura del dosel (la altura de la vegetación) es un potente indicador de la biomasa aérea. La densidad de plantas (el número de tallos por hectárea) determina la cantidad de luz que se intercepta. La rugosidad de la superficie (detectada por radar) refleja la complejidad estructural del dosel. Los sensores que miden estas propiedades estructurales, en lugar de solo la reflectancia, suelen ofrecer una mayor precisión en la estimación de la biomasa.

Tipos de teledetección utilizados para la estimación de biomasa

Ningún sensor por sí solo domina la estimación de biomasa en todos los ecosistemas y escalas. Los científicos y profesionales combinan varios tipos de sensores en función de la vegetación objetivo, el presupuesto, la precisión requerida y la cobertura geográfica.

Los mapas de biomasa más precisos de la actualidad no se elaboran a partir de un solo sensor, sino de la fusión inteligente de datos ópticos, de radar y LiDAR, donde cada uno completa los puntos ciegos de los demás.

1. Imágenes satelitales ópticas: multiespectrales e hiperespectrales.

Los sensores ópticos capturan la luz solar reflejada en bandas espectrales discretas, que generalmente abarcan longitudes de onda visibles (azul, verde, rojo) e infrarrojo cercano (NIR). Las imágenes multiespectrales (datos de 4 a 10 bandas espectrales) constituyen la base de la mayoría de los programas operativos de mapeo de biomasa en todo el mundo, principalmente debido a los flujos de datos continuos y gratuitos de las misiones Sentinel-2 y Landsat.

Las imágenes hiperespectrales (datos de cientos de bandas espectrales estrechas y contiguas) proporcionan un detalle espectral mucho mayor. Permiten distinguir los pigmentos vegetales, el contenido de agua y la composición química de las hojas a un nivel que los sensores multiespectrales no pueden alcanzar.

Esto la hace particularmente útil para detectar diferencias sutiles en la densidad de biomasa entre pastizales y campos agrícolas. La principal limitación de las imágenes hiperespectrales es la nubosidad: los sensores ópticos no pueden ver a través de las nubes, lo que provoca importantes lagunas de datos en las regiones tropicales húmedas, donde la estimación de la biomasa es crucial.

Entre los satélites más utilizados para la cartografía óptica de la biomasa se encuentran Landsat 8/9 (resolución de 30 metros, revisita cada 16 días), Sentinel-2 (resolución de 10 metros, revisita cada 5 días) y PlanetScope (resolución de 3 metros, revisita diaria para aplicaciones comerciales).

2. Radar (SAR): Ver a través de las nubes y dentro de las copas de los árboles.

El radar de apertura sintética (SAR), un sistema que emite pulsos de microondas y mide la energía reflejada por la superficie terrestre, resuelve por completo el problema de la nubosidad. La energía de microondas atraviesa las nubes y la bruma sin interferencias, lo que convierte al SAR en el sensor ideal para el monitoreo de bosques tropicales, donde la persistente nubosidad hace que las imágenes ópticas sean prácticamente inutilizables.

Las señales SAR también penetran en la vegetación, interactuando con tallos y ramas leñosas, no solo con la superficie superior de las hojas. Cuanto mayor sea la longitud de onda del radar, mayor será la penetración de la señal. El radar SAR de banda L (longitud de onda de aproximadamente 23 cm, utilizado por ALOS-2 PALSAR-2) penetra en la parte inferior de la vegetación e interactúa con la biomasa leñosa de gran tamaño, lo que lo hace especialmente adecuado para la estimación de la biomasa aérea en bosques tropicales.

El radar de apertura sintética (SAR) de banda C (longitud de onda de alrededor de 5 cm, utilizado por Sentinel-1) es más sensible a la estructura de la cubierta vegetal superficial y se utiliza ampliamente para la monitorización de la biomasa de los cultivos.

Investigación publicada en el Revista de Investigación Forestal (Springer Nature, 2021) encontraron que tanto los datos SAR de banda L de ALOS-2 como los de banda C de Sentinel-1 permitieron estimaciones satisfactorias de las reservas de carbono, alcanzando las reservas totales de carbono en el área de estudio del bosque mediterráneo aproximadamente 130 t/ha en la superficie, bajo tierra, madera muerta, hojarasca y charcos de tierra combinados.

3. LiDAR: El estándar de oro para el mapeo estructural de la biomasa

El sistema LiDAR (detección y medición de distancia mediante luz) emite pulsos láser y mide con precisión el tiempo que tardan en rebotar en la superficie objetivo. Esta medición temporal se traduce directamente en nubes de puntos tridimensionales (mapas densos que muestran con exactitud dónde se reflejó cada pulso láser) que revelan la altura y la estructura de la vegetación, así como la elevación del terreno, con una precisión centimétrica.

La altura de los árboles es uno de los indicadores más fiables de la biomasa aérea: los árboles más altos almacenan exponencialmente más biomasa que los más bajos. Los modelos de altura derivados de LiDAR, combinados con ecuaciones alométricas medidas en campo (relaciones matemáticas específicas de cada especie entre la altura, el diámetro y la masa del árbol), producen estimaciones de biomasa que superan sistemáticamente a los métodos ópticos o de radar en paisajes forestales.

La misión GEDI (Global Ecosystem Dynamics Investigation) de la NASA —un instrumento LiDAR de forma de onda multihaz instalado en la Estación Espacial Internacional— representa el primer sistema LiDAR espacial diseñado específicamente para la estimación de la biomasa global. GEDI recopila datos desde los 51,6°N hasta los 51,6°S de latitud, abarcando las principales zonas forestales tropicales y templadas del mundo.

4. Teledetección mediante drones: Escala de campo de alta resolución

Los vehículos aéreos no tripulados (VANT), comúnmente llamados drones, cierran la brecha entre las mediciones satelitales y las realizadas sobre el terreno. Un dron equipado con cámaras RGB captura imágenes con resolución centimétrica que permiten distinguir plantas individuales.

Los sensores multiespectrales de los drones calculan índices de vegetación precisos a escala de parcela. Los drones equipados con LiDAR generan densas nubes de puntos que permiten estimar la biomasa con la precisión estructural del LiDAR aerotransportado, pero a una fracción del costo.

Para los agricultores, el mapeo de biomasa mediante drones resulta especialmente práctico. Un solo vuelo sobre un campo de trigo o maíz durante la fase de crecimiento vegetativo genera un mapa de densidad de biomasa que identifica las zonas que limitan el rendimiento: áreas con baja biomasa que podrían necesitar fertilizantes o riego suplementario antes de que el daño sea irreversible.

Índices de vegetación utilizados para estimar la biomasa

Los índices de vegetación constituyen el vínculo matemático entre los valores brutos de reflectancia espectral y la información biológica sobre la densidad y la salud de las plantas. Cada índice aprovecha una parte específica del espectro electromagnético donde la vegetación se comporta de manera particular.

El NDVI (Índice de Vegetación de Diferencia Normalizada) es el más utilizado. Divide la diferencia entre la reflectancia del infrarrojo cercano (NIR) y la del rojo entre su suma: NDVI = (NIR – Rojo) / (NIR + Rojo). Los valores oscilan entre -1 y +1, y la vegetación densa y saludable suele obtener puntuaciones entre 0,6 y 0,9.

El NDVI se correlaciona fuertemente con el Índice de Área Foliar (LAI, por sus siglas en inglés: área foliar total de una sola cara por unidad de superficie terrestre) y, por lo tanto, con la capacidad fotosintética y la acumulación de biomasa.

• EVI (Índice de Vegetación Mejorado) Corrige los efectos atmosféricos y la interferencia del suelo, lo que lo hace más fiable que el NDVI en bosques tropicales de alta biomasa y en zonas con suelos brillantes o expuestos.
• SAVI (Índice de Vegetación Ajustado al Suelo) Incorpora un factor de corrección del brillo del suelo, que es particularmente importante en entornos agrícolas áridos y semiáridos donde el suelo desnudo entre las hileras de cultivos influye fuertemente en la señal espectral.
• GNDVI (Índice de Vegetación de Diferencia Normalizada Verde) Sustituye la reflectancia roja por la verde en la fórmula del NDVI, lo que lo hace más sensible a las variaciones en la concentración de clorofila y útil para el monitoreo de la biomasa de los cultivos al final de la temporada, cuando las copas de los árboles ya están completamente cerradas.

El Índice de Área Foliar (IAF) merece una mención especial, ya que es tanto un resultado de la teledetección como un factor determinante de la acumulación de biomasa. Las plantas con un IAF más alto interceptan más radiación solar, fijan más carbono y producen más biomasa. Los mapas de IAF derivados de la teledetección, generados a partir de series temporales de MODIS o Sentinel-2, se incorporan directamente a los modelos de crecimiento de cultivos que simulan la formación del rendimiento y la biomasa final cosechable.

Fuentes de datos clave para la estimación de la biomasa terrestre

La elección de la fuente de datos adecuada depende de la escala del estudio, el tipo de vegetación, la resolución espacial requerida y el presupuesto disponible. A continuación, se presentan las principales fuentes de datos que se utilizan actualmente en la cartografía de biomasa operativa y de investigación. Los datos satelitales gratuitos y de acceso abierto de Landsat y la constelación Sentinel han democratizado la cartografía de biomasa, haciéndola accesible a investigadores y agencias que carecen de presupuesto para imágenes comerciales.

i. Landsat (NASA/USGS): Más de 50 años de datos continuos, con una resolución de 30 metros y acceso gratuito. Las series temporales de Landsat permiten el análisis histórico de los cambios en la biomasa desde la década de 1970, proporcionando un contexto inigualable para el seguimiento de la deforestación y la degradación de la tierra.

ii. Sentinel-2 (ESA): Resolución de 10 metros en bandas espectrales clave, revisita cada 5 días, acceso gratuito. Sentinel-2 es el estándar actual para el monitoreo de biomasa de cultivos y evaluaciones forestales regionales debido a su resolución y combinación de frecuencias.

iii. Sentinel-1 (ESA): SAR de banda C, capacidad para todo tipo de clima, acceso gratuito. Sentinel-1 es la principal fuente de radar para el monitoreo de zonas tropicales afectadas por nubes y la biomasa de cultivos en áreas donde la falta de datos ópticos es un problema persistente.

iv. MODIS (NASA): Con una resolución de 250 m a 1 km y cobertura global diaria, las series temporales de MODIS son ideales para la detección de cambios en la biomasa a escala continental y el monitoreo estacional, aunque su baja resolución limita su utilidad en paisajes fragmentados.

v. PlanetScope: Resolución de 3 metros, revisión diaria, suscripción comercial. PlanetScope ofrece monitorización de biomasa a escala de campo individual, lo que facilita las aplicaciones de agricultura de precisión donde la variabilidad espacial a nivel de subcampo es importante.

vi. Sistema LiDAR GEDI de la NASA: Con un diámetro de huella de 25 metros, cobertura global en zonas tropicales y templadas, GEDI es la principal fuente de datos espaciales sobre la altura del dosel y la densidad de biomasa aérea a escala global.

vii. ICESat-2 (NASA): LiDAR de conteo de fotones con cobertura global, especialmente eficaz para medir la altura de las copas de los árboles en bosques de altas latitudes y detectar cambios de altura a pequeña escala.

Pasos para calcular la biomasa terrestre mediante teledetección

La estimación de la biomasa terrestre mediante datos de teledetección sigue un flujo de trabajo estructurado. Cada paso depende de la precisión del anterior. Si se omiten pasos en el preprocesamiento o la validación de campo, se producen errores en el mapa final de biomasa.

i. Seleccione las imágenes adecuadas: Seleccione el sensor, la resolución espacial y el período de tiempo según el ecosistema objetivo y el objetivo del estudio. El monitoreo de la biomasa forestal generalmente requiere datos de Sentinel-1 o GEDI; el monitoreo de la biomasa de cultivos suele utilizar imágenes multiespectrales de Sentinel-2 o de drones.

ii. Preprocesamiento de imágenes: Aplique corrección atmosférica para convertir los valores digitales brutos en valores de reflectancia superficial. Realice corrección geométrica para asegurar que la imagen se alinee con precisión con las coordenadas del mundo real. Elimine los píxeles contaminados por nubes y reemplácelos mediante composición temporal cuando sea necesario.

iii. Calcular los índices de vegetación: Calcula el NDVI, EVI, SAVI, GNDVI u otros índices relevantes a partir de las bandas de reflectancia superficial corregidas. Para datos LiDAR, deriva las métricas de altura del dosel (altura máxima, altura del percentil 95, altura media) a partir de la nube de puntos.

iv. Recolectar muestras de biomasa de campo: Se mide la biomasa aérea en parcelas representativas dentro del área de estudio mediante la cosecha destructiva o ecuaciones alométricas aplicadas a las mediciones de diámetro y altura de los árboles. Estos valores de campo constituyen la información de referencia que sirve de base al modelo.

v. Construir modelos de predicción: Realice una regresión de las mediciones de biomasa de campo con respecto a las variables de teledetección coincidentes (índices de vegetación, métricas de altura del dosel, valores de retrodispersión SAR). Utilice análisis de regresión, bosques aleatorios, máquinas de vectores de soporte o redes neuronales, según la complejidad de la relación y la cantidad de datos de entrenamiento disponibles.

vi. Validar los resultados del modelo: Utilice un conjunto de datos de validación independiente (parcelas de campo no utilizadas en el entrenamiento del modelo) para evaluar la precisión de la predicción. Informe el RMSE (error cuadrático medio), el R² (coeficiente de determinación) y el sesgo. Si la precisión es insuficiente, ajuste el modelo.

vii. Generar mapas de biomasa: Aplique el modelo validado a toda la extensión de la imagen, produciendo un mapa de densidad de biomasa espacialmente continuo donde cada píxel contiene un valor de biomasa previsto en Mg/ha o t/ha.

Modelos y métodos utilizados para la estimación de biomasa

La elección del modelo influye significativamente tanto en la precisión como en la generalización de un sistema de estimación de biomasa. Los modelos más sencillos son más transparentes y se adaptan con mayor fiabilidad a nuevas ubicaciones. Los modelos complejos de aprendizaje automático extraen mayor precisión de grandes conjuntos de datos de entrenamiento, pero pueden sobreajustarse a las condiciones locales.

Los modelos de regresión empírica establecen una relación matemática directa entre la biomasa del campo y las variables de teledetección; por ejemplo, una regresión lineal entre el NDVI y el rendimiento de materia seca del cultivo. Estos modelos son fáciles de interpretar y rápidos de calcular, pero su rendimiento es deficiente cuando la relación entre el espectro y la biomasa no es lineal o cuando los valores de biomasa abarcan un rango muy amplio.

Los métodos de aprendizaje automático superan estas limitaciones al aprender relaciones complejas y no lineales a partir de los datos. El algoritmo Random Forest (un conjunto de árboles de decisión que promedia las predicciones de cientos de árboles individuales) es actualmente el más utilizado para la estimación de biomasa tanto en la silvicultura como en la agricultura.

Un estudio publicado en Fronteras en la Ciencia Vegetal (Diciembre de 2024) demostró que el algoritmo Random Forest aplicado a datos de teledetección de GEDI y de múltiples fuentes produjo estimaciones de biomasa forestal de abeto y pícea con un R² significativamente mayor que los enfoques de regresión de un solo sensor.

• Máquina de vectores de soporte (SVM): Encuentra el límite de separación óptimo entre clases de biomasa en un espacio de características de alta dimensión. La máquina de vectores de soporte (SVM) funciona bien con conjuntos de datos de entrenamiento pequeños a medianos y es robusta contra el sobreajuste cuando se regulariza adecuadamente.
• Redes neuronales y aprendizaje profundo: Las redes neuronales convolucionales (CNN) y las arquitecturas híbridas CNN-LSTM procesan patrones espaciales y temporales en imágenes simultáneamente. Un estudio de 2024 publicado en Teledetección (MDPI) La comparación de modelos RF, CNN y CNN-LSTM para la estimación de la biomasa forestal en Hangzhou, China, reveló que los modelos de aprendizaje profundo capturaron el contexto espacial que los métodos de regresión de un solo punto pasaron por alto por completo.
• Modelos híbridos: Combinamos modelos físicos de vegetación (que simulan el crecimiento de las plantas en función de la radiación y el agua) con capas de calibración estadísticas o de aprendizaje automático. Estos enfoques son cada vez más populares porque generan estimaciones de biomasa físicamente realistas que se generalizan a través de diferentes regiones sin depender exclusivamente de datos de entrenamiento locales.

Factores que afectan la precisión de la estimación de biomasa

Incluso la mejor combinación de sensor y modelo produce mapas de biomasa poco fiables cuando la calidad de los datos subyacentes es deficiente o cuando el entorno físico introduce fuentes de ruido. Comprender estos factores que limitan la precisión es fundamental para cualquier persona que diseñe un programa de mapeo de biomasa.

1. Saturación de la señal en bosques densos: En los bosques tropicales de alta biomasa, las señales ópticas y SAR de banda C se saturan; dejan de aumentar incluso cuando la biomasa sigue aumentando. El NDVI se satura en valores de AGB superiores a aproximadamente 150–200 Mg/ha, lo que lo hace poco fiable en bosques tropicales maduros donde la biomasa puede alcanzar los 400–600 Mg/ha. El SAR de banda L y el LiDAR se saturan a niveles de biomasa mucho más altos y son preferibles en estos entornos.

2. Variación estacional: La reflectancia de la vegetación varía drásticamente según la estación. Un valor NDVI de un campo de trigo en abril representa una condición de biomasa fundamentalmente distinta a la del mismo campo en agosto. Los modelos deben tener en cuenta la dinámica estacional o calibrarse por separado para cada etapa fenológica.

3. Interferencia de la nubosidad: Los sensores ópticos pierden datos dondequiera que haya nubes. En las regiones tropicales húmedas, la contaminación por nubes puede afectar a más de 70% de adquisiciones de imágenes en un año determinado, lo que requiere alternativas de radar o LiDAR o estrategias compuestas de varios años.

4. Píxeles mixtos: Con resoluciones espaciales moderadas (30 m–250 m), un solo píxel de la imagen suele contener una mezcla de tipos de cultivos, suelo desnudo y agua. La señal espectral refleja el promedio de todas estas superficies, lo que diluye la señal de la vegetación e introduce un error sistemático en las predicciones de biomasa.

5. Efectos del terreno: El terreno inclinado modifica la geometría de la iluminación solar y el ángulo de visión del sensor, alterando los valores de reflectancia registrados. La corrección topográfica es imprescindible en zonas montañosas antes de poder aplicar cualquier modelo de biomasa de forma fiable.

Aplicaciones del mapeo de biomasa terrestre en diversos sectores

Los mapas de biomasa terrestre generados a partir de datos de teledetección se utilizan para la toma de decisiones prácticas en una gama extraordinariamente amplia de sectores, desde la elaboración de informes climáticos gubernamentales hasta la gestión de explotaciones agrícolas individuales.

agencias de gestión forestal Utilice mapas de biomasa para priorizar las zonas de cosecha, estimar el rendimiento sostenible y documentar el cumplimiento de las normas de certificación. Los mapas de biomasa integrales sustituyen los costosos inventarios forestales basados en muestras en regiones donde el acceso al terreno es logísticamente difícil o prohibitivo.

estimación de las reservas de carbono es una de las aplicaciones más importantes económicamente. Cada Mg de biomasa aérea contiene aproximadamente 0,47 Mg de carbono (el factor de conversión estándar del IPCC). Por lo tanto, los mapas de biomasa precisos se traducen directamente en inventarios de carbono verificados, que sustentan los pagos de REDD+ y los créditos voluntarios del mercado de carbono. Un mapa de biomasa verificado que cubra una concesión forestal tropical de 500 000 hectáreas puede representar cientos de millones de dólares en activos de carbono.

• Agricultura de precisión: Los mapas de biomasa de cultivos obtenidos a partir de imágenes de drones o del satélite Sentinel-2 permiten identificar la variabilidad en el crecimiento de las plantas dentro de cada parcela, lo que posibilita la aplicación de fertilizantes y riego a tasa variable, reduciendo así los costos de los insumos y protegiendo al mismo tiempo el rendimiento.
• Evaluación del combustible para incendios forestales: La madera muerta y la biomasa herbácea seca representan la carga de combustible disponible para los incendios. Los mapas de combustible obtenidos mediante teledetección sirven de guía para los programas de quemas controladas y la planificación de la contención de incendios forestales en paisajes propensos a incendios.
• Conservación de la biodiversidad: La vegetación de alta biomasa y estructura compleja suele albergar una mayor diversidad de especies. Los mapas de biomasa ayudan a identificar áreas prioritarias para la conservación y a realizar un seguimiento de la recuperación de los hábitats restaurados a lo largo del tiempo.
• Planificación de la bioenergía: Los gobiernos y las empresas energéticas utilizan datos de biomasa obtenidos mediante teledetección para evaluar el suministro sostenible de residuos agrícolas y biomasa leñosa para la producción de bioenergía, garantizando que las tasas de cosecha no superen la capacidad de regeneración del ecosistema.

Ventajas de la teledetección para el cálculo de biomasa

El mapeo de biomasa mediante teledetección ofrece una combinación de capacidades que ningún método terrestre puede igualar. Estas ventajas explican por qué la tecnología ha pasado de ser experimental a estar operativa en decenas de países durante la última década.

La medición no destructiva es quizás la ventaja más fundamental. La teledetección recopila información sobre la vegetación sin cosecharla, cortarla ni alterarla. Esto permite realizar mediciones repetidas en la misma ubicación, lo cual es esencial para detectar cambios en la biomasa a lo largo del tiempo, el parámetro más importante para la contabilidad del carbono y el monitoreo de los ecosistemas.

• Cobertura a gran escala con bajo coste marginal: Una vez configurados el sensor y el sistema de procesamiento, el costo de añadir otro millón de hectáreas a un estudio de biomasa es prácticamente nulo. Esta estructura de costos es la inversa de la de los estudios de campo, donde los costos aumentan linealmente con la superficie.
• Actualizaciones temporales frecuentes: Sentinel-2 vuelve a visitar cualquier lugar de la Tierra cada 5 días. Esta frecuencia permite monitorizar la biomasa durante toda la temporada de crecimiento, capturando cambios dinámicos que los estudios de campo anuales no detectan en absoluto.
• Capacidad de análisis histórico: El archivo Landsat contiene imágenes desde 1972 en adelante. Los investigadores pueden reconstruir las trayectorias históricas de la biomasa para cuantificar la deforestación acumulada, evaluar la recuperación del ecosistema después de una perturbación o establecer las condiciones de referencia previas a la perturbación para las reclamaciones de indemnización.
• Mejora de la toma de decisiones para los gestores de tierras: Los mapas de biomasa espacialmente explícitos revelan dónde, dentro de un paisaje, la biomasa se está acumulando, disminuyendo o se mantiene estable, lo que proporciona a los gestores del territorio la precisión espacial necesaria para dirigir las intervenciones donde tendrán el mayor impacto.

Limitaciones y desafíos en la estimación de biomasa mediante teledetección.

La cartografía de biomasa mediante teledetección es una herramienta potente, pero presenta limitaciones técnicas reales que los profesionales deben comprender antes de basarse en sus resultados para tomar decisiones de gran importancia.

La saturación de la señal en bosques densos sigue siendo un desafío sin resolver para los sensores de radar ópticos y de banda C. A medida que la cubierta arbórea se cierra y la biomasa se acumula más allá de un umbral específico del sensor, la señal espectral o de retrodispersión deja de aumentar con la biomasa.

La tecnología LiDAR evita este problema porque mide la estructura física en lugar de la reflectancia espectral, pero la recopilación de datos LiDAR aerotransportados sigue siendo costosa, y la tecnología LiDAR espacial, como GEDI, proporciona coberturas dispersas y no contiguas en lugar de una cobertura total.

• La validación de campos es obligatoria: Ningún modelo de teledetección produce estimaciones fiables de biomasa sin calibración y validación con mediciones de campo reales. La calidad de los datos de campo determina directamente la calidad del mapa final, y la recopilación de datos de campo representativos en paisajes heterogéneos es costosa y técnicamente compleja.
• Los efectos atmosféricos requieren una corrección cuidadosa: Los aerosoles, el vapor de agua y el ozono dispersan y absorben la radiación solar incidente y reflejada, alterando la señal espectral antes de que llegue al sensor. Una corrección atmosférica incorrecta o incompleta introduce errores sistemáticos que se propagan a lo largo de todo el proceso de estimación de biomasa.
• El procesamiento de datos requiere conocimientos especializados: Trabajar con series temporales de teledetección a gran escala requiere conocimientos de sistemas de información geográfica (SIG), lenguajes de programación como Python o R, y plataformas geoespaciales en la nube como Google Earth Engine. Esta barrera técnica limita su adopción entre agrónomos y gestores de tierras sin formación en ciencia de datos.
• La incertidumbre del modelo aumenta con la distancia a los datos de entrenamiento: Un modelo de biomasa calibrado en la Amazonía brasileña puede tener un rendimiento deficiente al transferirlo a un bosque de África Occidental con una estructura diferente, incluso si ambos se clasifican como bosque tropical húmedo. Los conjuntos de datos de calibración regional son esenciales para mantener la precisión en áreas de estudio geográficamente diversas.

Tendencias futuras en la estimación de biomasa mediante teledetección

El panorama tecnológico para el mapeo de la biomasa terrestre está evolucionando rápidamente. Varias tendencias convergentes mejorarán sustancialmente la precisión, la accesibilidad y la escalabilidad operativa de la estimación de la biomasa en los próximos cinco a diez años.

El mapeo de biomasa mediante inteligencia artificial representa el desarrollo más transformador en curso. Las arquitecturas de aprendizaje profundo, en particular los modelos convolucionales y basados en transformadores, procesan simultáneamente toda la información espectral, espacial y temporal de las series temporales satelitales, extrayendo señales de biomasa que los modelos más simples no pueden detectar.

La integración de la IA y el aprendizaje automático en la teledetección creció en 35% entre 2021 y 2026, Según Business Research Insights, esto está transformando radicalmente la forma en que se analizan los datos de vegetación a gran escala.

La misión BIOMASS de la Agencia Espacial Europea, lanzada en 2024, transporta el primer radar de apertura sintética (SAR) espacial de banda P diseñado específicamente para la monitorización de la biomasa de los bosques tropicales. Las señales de banda P (longitud de onda de unos 70 cm) penetran profundamente en las copas de los árboles, alcanzando troncos leñosos y ramas grandes a las que los radares de menor longitud de onda no pueden acceder.

Investigación publicada en Informes científicos En abril de 2023 se demostró que el TomoSAR de banda P (SAR tomográfico, una técnica que reconstruye la estructura tridimensional del bosque a partir de múltiples pasadas de radar) produjo estimaciones prometedoras de la biomasa aérea en densos bosques tropicales de la Guayana Francesa, lo que ofrece un anticipo de lo que la misión BIOMASS ofrecerá operativamente.

• Fusión de datos multisensor a gran escala: Los algoritmos que combinan automáticamente flujos de datos ópticos, de radar y LiDAR —ponderando cada sensor según su fiabilidad en un ecosistema y una estación determinados— están pasando de ser prototipos experimentales a herramientas operativas implementadas en plataformas en la nube.
• Monitorización de la biomasa en tiempo real y casi en tiempo real: Las plataformas geoespaciales basadas en la nube, como Google Earth Engine y Microsoft Planetary Computer, permiten ahora el procesamiento continuo y automatizado de los flujos de datos satelitales entrantes. En varios países tropicales ya están operativas las alertas de deforestación casi en tiempo real, que se activan entre 24 y 48 horas después de que se produzca la pérdida de bosques.
• Gemelos digitales para la agricultura de precisión: La integración de datos de biomasa obtenidos mediante teledetección con sensores de suelo, modelos meteorológicos y modelos de simulación de cultivos crea gemelos digitales a escala agrícola: réplicas virtuales de campos reales que permiten a los agricultores probar escenarios de gestión antes de implementarlos en el mundo real.
• Integración de la agricultura de precisión: La convergencia de sensores de drones asequibles, series temporales satelitales y análisis basados en inteligencia artificial está haciendo que el monitoreo de biomasa a escala de campo sea financieramente accesible para los agricultores individuales por primera vez, y no solo para las instituciones de investigación y las agencias gubernamentales.

1. ¿Qué satélite es el mejor para la estimación de biomasa? No existe un único satélite óptimo para todas las situaciones. Sentinel-2 es el más utilizado para el mapeo de cultivos y biomasa forestal de resolución moderada. El LiDAR GEDI proporciona los datos de altura de dosel más precisos para la biomasa aérea forestal. El SAR de Sentinel-1 es la opción preferida en zonas tropicales afectadas por nubes. El mejor enfoque operativo combina múltiples sensores.

2. ¿Pueden los drones estimar la biomasa con precisión? Sí. Los drones equipados con cámaras multiespectrales o sensores LiDAR pueden estimar la biomasa de cultivos y de pequeños bosques con una resolución espacial muy alta. Las estimaciones de biomasa de cultivos basadas en drones suelen alcanzar correlaciones de R² = 0,80–0,95 con las mediciones de campo cuando los vuelos se programan para las etapas de crecimiento adecuadas y los sensores espectrales están correctamente calibrados.

3. ¿Qué tan precisa es la estimación de biomasa mediante teledetección? La precisión varía considerablemente según el tipo de sensor, el ecosistema y el modelo utilizado. En bosques templados con buena cobertura LiDAR, los mapas de biomasa pueden alcanzar valores de RMSE de 20 a 40 Mg/ha. En bosques tropicales densos, los métodos exclusivamente ópticos pueden mostrar valores de RMSE de 60 a 100 Mg/ha debido a la saturación de la señal. Los modelos de fusión multisensor superan sistemáticamente a los métodos de un solo sensor.

4. ¿Por qué es importante la estimación de la biomasa para el cambio climático? Los bosques y los paisajes agrícolas almacenan enormes cantidades de carbono en su biomasa. La deforestación y la degradación de la tierra liberan este carbono almacenado en forma de CO₂ a la atmósfera, acelerando el cambio climático. Los mapas precisos de biomasa constituyen la base para verificar las reservas de carbono, monitorear la pérdida de bosques y cuantificar la efectividad de los programas de reforestación y conservación en el marco de iniciativas climáticas internacionales como REDD+.

5. ¿Puede la teledetección estimar la biomasa subterránea? La teledetección no permite medir directamente la biomasa subterránea. Sin embargo, la biomasa subterránea se estima comúnmente a partir de la biomasa aérea utilizando coeficientes de relación raíz-tallo derivados de estudios de campo y publicados por organizaciones como el IPCC. Las relaciones raíz-tallo específicas de cada especie oscilan entre 0,15 y 0,40 en la mayoría de los ecosistemas forestales, lo que permite estimar indirectamente la biomasa subterránea siempre que existan mapas de biomasa aérea.

Conclusión

El cálculo de la biomasa terrestre mediante teledetección ha pasado de ser una técnica de investigación especializada a una capacidad operativa con implicaciones directas para la producción de alimentos, la gestión forestal y las políticas climáticas. La convergencia de datos satelitales gratuitos, plataformas de computación en la nube accesibles y herramientas de aprendizaje automático cada vez más potentes ha hecho posible la cartografía de la biomasa a escala paisajística para un número creciente de organizaciones en todo el mundo.

El papel de la teledetección en el monitoreo climático no hará más que crecer a medida que se expandan los mercados de carbono, se intensifiquen los compromisos de monitoreo de la deforestación y aumente la demanda de datos verificados sobre las reservas de carbono en la economía global. Con la misión satelital BIOMASS ya operativa, GEDI ampliando continuamente su conjunto de datos globales y los modelos de IA mejorando drásticamente la precisión de las estimaciones a partir de la fusión de datos de múltiples sensores, la capacidad de saber con precisión dónde se acumula, disminuye o se mantiene estable la biomasa en la superficie terrestre está al alcance.

Los mercados de carbono han pasado de ser experimentos políticos de nicho a instrumentos de financiación climática convencionales. El mercado voluntario de créditos de carbono para la agricultura se valoró en 36,1 millones de dólares en 2024 y se espera que aumente a 648,3 millones de dólares para 2034 en un 31,9% CAGR, Según Global Market Insights Inc., la agricultura se sitúa en el centro de esta expansión porque los suelos, los cultivos y las prácticas de gestión de la tierra representan enormes sumideros de carbono cuantificables.

El desafío siempre ha sido la medición: ¿cómo cuantificar de forma fiable el carbono almacenado en millones de hectáreas de tierras agrícolas? La teledetección, la ciencia de recopilar datos sobre la superficie terrestre desde aeronaves, drones y satélites sin contacto físico, es la respuesta que el mercado del carbono estaba esperando. Aporta escala, velocidad y rigor científico al monitoreo del carbono agrícola.

¿Qué son los créditos de carbono y por qué son importantes?

Un crédito de carbono es un certificado negociable que representa la reducción o eliminación de una tonelada métrica de dióxido de carbono equivalente (CO2e) de la atmósfera. Existen dos tipos de créditos: créditos de reducción de carbono, que representan las emisiones evitadas, y créditos de eliminación de carbono, que representan el CO2 extraído activamente de la atmósfera y almacenado.

Los mercados de carbono funcionan como mecanismos económicos que asignan un precio a las emisiones de gases de efecto invernadero. Cuando una empresa no puede reducir sus emisiones internamente, puede comprar créditos de carbono de proyectos que eliminen o eviten una cantidad equivalente.

Esto genera incentivos financieros para actividades como la captura de carbono en el suelo, la reforestación y la mejora de la gestión de la tierra. El sistema se rige por registros de carbono, estándares de certificación y verificadores externos que garantizan que cada crédito represente un beneficio climático real y cuantificable.

1. Cómo se generan los créditos de carbono en la agricultura.

Los créditos de carbono agrícolas se crean mediante un proceso estructurado que comienza con el diseño del proyecto y finaliza con la verificación de los créditos y su inclusión en un registro. Esta es la secuencia típica:

1. Un agricultor o promotor del proyecto selecciona las prácticas agrícolas sostenibles que cumplen los requisitos y define los límites del proyecto.
2. Se elige una metodología aprobada de un registro de carbono como Verra (VM0042) o Gold Standard.
3. Se establece un stock de carbono de referencia para medir el punto de partida antes de que cambien las prácticas.
4. Las prácticas se implementan y se supervisan a lo largo del período del proyecto, que suele ser de tres a cinco años.
5. Verificadores independientes de terceros evalúan si se implementaron las prácticas y si los beneficios de reducción de carbono declarados son reales y adicionales.
6. Los créditos de carbono verificados se emiten y se ponen a la venta en mercados voluntarios o de cumplimiento normativo.

El secuestro de carbono en el suelo mediante prácticas de conservación es el mecanismo principal en los proyectos agrícolas. Prácticas como los cultivos de cobertura, la labranza reducida y el manejo preciso de nutrientes aumentan la cantidad de carbono orgánico almacenado en los suelos agrícolas, que de otro modo tienden a perder carbono por labranza y erosión.

Los suelos agrícolas retienen aproximadamente tres veces más carbono que la atmósfera. Esto convierte a las tierras de cultivo en uno de los sumideros de carbono más accesibles y escalables del planeta. Los cultivos y pastizales responden rápidamente a los cambios en el manejo: el cambio de la labranza convencional a la labranza cero puede comenzar a aumentar el carbono orgánico del suelo en una o dos temporadas de cultivo.

Los agricultores se benefician directamente de los ingresos por créditos de carbono. Los proyectos de carbono del suelo ahora representan aproximadamente 8-10% del mercado voluntario de carbono, valorado en Entre 425 y 530 millones de dólares, Según datos de mercado de 2025.

Estos ingresos complementan la renta agrícola a la vez que mejoran la salud del suelo, la retención de agua y la productividad a largo plazo. Las empresas agroalimentarias que participan en programas de reducción de emisiones de carbono también ganan credibilidad en la elaboración de informes sobre la sostenibilidad de su cadena de suministro.

Relación entre los créditos de carbono y la agricultura de precisión.

La agricultura de precisión es un método de gestión agrícola que utiliza datos espaciales y tecnología avanzada para tomar decisiones a nivel de parcela, en lugar de tratar la explotación como una unidad uniforme. Combina receptores GPS (Sistema de Posicionamiento Global), sensores de suelo IoT (Internet de las Cosas), cámaras montadas en drones e imágenes satelitales para proporcionar información detallada y específica de la ubicación sobre las condiciones de los cultivos, las propiedades del suelo y las necesidades de recursos.

El resultado es una gestión agrícola basada en datos. En lugar de aplicar una dosis uniforme de fertilizante en todo el campo, un sistema de agricultura de precisión identifica zonas con diferentes necesidades de nutrientes y aplica dosis variables en consecuencia.

Esto reduce el desperdicio de insumos, disminuye los costos operativos y genera beneficios ambientales cuantificables que pueden utilizarse en programas de créditos de carbono. Las herramientas de precisión contribuyen a los resultados en materia de carbono a través de múltiples vías.

• La optimización de la aplicación de fertilizantes reduce las emisiones de óxido nitroso (N2O), un gas de efecto invernadero aproximadamente 273 veces más potente que el CO2 en un período de 100 años. La aplicación de nitrógeno a tasa variable puede reducir las emisiones de N2O hasta en un 20-30% en comparación con la aplicación uniforme, según una investigación publicada en el European Journal of Agronomy.
• Mejorar la programación del riego mediante sensores de humedad del suelo reduce el consumo de energía en las estaciones de bombeo y limita la compactación del suelo, lo que a su vez reduce la huella de carbono del riego.
• Mantener la salud del suelo mediante la reducción del laboreo preserva la estructura de los agregados del suelo, protegiendo la materia orgánica que retiene el carbono a largo plazo.
• La reducción del consumo de combustible mediante la planificación de rutas de maquinaria guiada por GPS disminuye el consumo de diésel, reduciendo directamente las emisiones de CO2 procedentes de las operaciones sobre el terreno.

1. Prácticas agrícolas sostenibles que generan créditos de carbono

No todas las actividades agrícolas califican para créditos de carbono. Las prácticas aprobadas deben demostrar un aumento del carbono en el suelo, una reducción de las emisiones o ambas cosas. Las siguientes prácticas cuentan con metodologías establecidas en los principales registros de carbono.

i. Cultivos de cobertura Consiste en sembrar cultivos no comerciales durante la temporada baja para mantener las raíces vivas en el suelo. Las raíces secretan continuamente azúcares que alimentan a los microorganismos del suelo, los cuales convierten la materia orgánica en humus estable, una forma de carbono del suelo de larga duración. Los cultivos de cobertura también previenen la erosión, que elimina físicamente la capa superficial del suelo y el carbono que contiene.

ii. Labranza cero y labranza reducida minimizar la alteración del suelo, preservando la estructura física del mismo. La labranza convencional oxida rápidamente el carbono del suelo al exponer la materia orgánica al aire. Investigaciones publicadas en la revista Soil and Tillage Research han demostrado que la adopción a largo plazo de la labranza cero aumenta la concentración de carbono orgánico del suelo en los primeros 30 cm en un promedio de 10-30% en comparación con el laboreo convencional durante un período de diez años.

iii. Retención de residuos de cultivos Se mantiene la biomasa poscosecha en la superficie del campo en lugar de quemarla o retirarla. A medida que los residuos se descomponen, aportan materia orgánica al suelo y alimentan las comunidades microbianas responsables de la fijación de carbono. Las imágenes satelitales permiten medir con precisión el porcentaje de cobertura de residuos después de la cosecha.

La teledetección no se limita a observar la agricultura desde arriba. Transforma datos dispersos a nivel de campo en un registro unificado y científicamente sólido de cómo se gestiona la tierra y cuánto carbono contiene.

iv. Gestión precisa de nutrientes Utiliza tecnología de dosificación variable para aplicar fertilizantes donde se necesitan, en las cantidades adecuadas y en el momento preciso. Esto reduce el exceso de nitrógeno que las bacterias del suelo convierten en óxido nitroso, disminuyendo directamente la huella de gases de efecto invernadero de la producción agrícola.

v. Agroforestería y cultivos perennes Los árboles capturan carbono tanto en la parte aérea, en la biomasa leñosa, como bajo tierra, a través de extensos y longevos sistemas radiculares. Pueden almacenar carbono durante décadas, lo que los convierte en candidatos ideales para proyectos de créditos de carbono que requieren permanencia.

Función de la teledetección en la medición de créditos de carbono

Los programas de créditos de carbono requieren pruebas. Los registros no pueden aceptar la declaración de un agricultor sobre la siembra de cultivos de cobertura o la reducción de la labranza. La verificación exige datos objetivos, reproducibles y auditables, preferiblemente de fuentes que no puedan manipularse a posteriori. La teledetección proporciona precisamente esto.

Las observaciones satelitales y basadas en drones cubren vastas áreas simultáneamente, ofreciendo un nivel de cobertura espacial que los estudios de campo simplemente no pueden igualar económicamente. El mercado de satélites MRV de carbono agrícola se valoró en 3.200 millones de dólares en 2025 y se prevé que alcance 8.700 millones de dólares para 2034 en un 12,8% CAGR, lo que pone de manifiesto la importancia que ha adquirido la monitorización mediante satélites para los programas climáticos a nivel mundial.

El Atlas de Sostenibilidad (2026) descubrió que los sistemas de verificación basados en satélites redujeron los costos de medición del carbono del suelo en 40% en comparación con el muestreo de campo tradicional, con la inversión en soluciones digitales MRV alcanzando 2.300 millones de dólares En 2025, los agricultores y los promotores de proyectos podrán acceder a un sistema fiable de monitorización del carbono sin el coste prohibitivo por hectárea que suponen las repetidas campañas de muestreo de suelo.

1. Tecnologías de teledetección utilizadas en programas de carbono

En función de la escala, el tipo de cultivo y el objetivo de medición del carbono, se utilizan distintos tipos de sensores. Cada uno ofrece ventajas diferentes.

1. Sensores multiespectrales Capturan la luz reflejada en bandas de longitud de onda discretas, incluyendo el rojo visible, el infrarrojo cercano y el infrarrojo de onda corta. Calculan índices de vegetación como el NDVI (Índice de Vegetación de Diferencia Normalizada), una relación que compara la reflectancia del infrarrojo cercano con la reflectancia del rojo.

La vegetación sana y densa refleja más luz infrarroja cercana y absorbe más luz roja, lo que produce un valor NDVI alto. El NDVI se utiliza ampliamente como indicador de la densidad de biomasa y la actividad fotosintética, factores que se correlacionan con la absorción de carbono.

2. Sensores hiperespectrales Capturan cientos de bandas de longitud de onda estrechas y contiguas en lugar de unas pocas anchas. Esta mayor resolución espectral les permite detectar diferencias sutiles en la bioquímica de las plantas, incluyendo el contenido de clorofila, el agua de las hojas y la concentración de lignina.

Estas propiedades están estrechamente relacionadas con el contenido de carbono aéreo y pueden utilizarse para modelar la biomasa de los cultivos con mayor precisión que los datos multiespectrales de banda ancha.

3. LiDAR (Detección y medición de distancia mediante luz) Dispara miles de pulsos láser por segundo hacia la superficie del suelo y mide el tiempo que tarda cada pulso en regresar. El resultado es una nube de puntos tridimensional detallada del paisaje, que captura la altura de la vegetación, la densidad del dosel y la topografía del terreno.

La biomasa se estima combinando estas mediciones estructurales con ecuaciones alométricas, relaciones matemáticas que convierten la altura y el volumen en masa seca y contenido de carbono. Un estudio de 2025 publicado en ScienceDirect reveló que la medición del secuestro de carbono mediante LiDAR logró tasas de error significativamente menores que los métodos convencionales de inventario de campo para cultivos forestales y sistemas agroforestales.

4. SAR (Radar de Apertura Sintética) Transmite energía de microondas y mide la energía reflejada por la superficie. A diferencia de los sensores ópticos, el radar de apertura sintética (SAR) penetra la nubosidad y funciona de noche, lo que lo hace valioso en regiones agrícolas tropicales donde la nubosidad persistente bloquea los satélites ópticos durante semanas. El SAR es particularmente eficaz para medir la humedad del suelo, detectar superficies desnudas frente a superficies vegetadas y estimar la biomasa del dosel mediante el análisis de la intensidad de la retrodispersión.

5. Teledetección mediante drones Ofrece una resolución espacial a nivel centimétrico que los satélites no pueden igualar. Los drones equipados con cámaras multiespectrales o RGB vuelan a baja altitud para producir mapas extremadamente detallados de campos individuales.

En los programas de carbono, los drones se utilizan para la validación a escala local de las observaciones satelitales y para evaluaciones en campos pequeños o fragmentados donde el tamaño de los píxeles satelitales es demasiado grande para distinguir los límites de gestión. Las principales plataformas satelitales que respaldan el monitoreo del carbono incluyen las siguientes:

• Landsat (NASA/USGS): Resolución de 30 metros con una frecuencia de revisita de 16 días. Su archivo histórico, que se remonta a 1972, lo convierte en la base del análisis de cambios en el uso del suelo a largo plazo y la elaboración de mapas de referencia.
• Sentinel-1 y Sentinel-2 (ESA): Sentinel-2 proporciona imágenes multiespectrales de 10 metros con una frecuencia de revisita de 5 días, lo que lo hace ideal para el monitoreo estacional de cultivos. El radar de apertura sintética (SAR) de Sentinel-1 complementa los datos ópticos durante los períodos nublados.
• MODIS (NASA): Resolución de 250 a 500 metros con cobertura global diaria. Se utiliza para el análisis a gran escala de series temporales de la productividad de la vegetación y los cambios en el uso del suelo en regiones enteras.
• PlanetScope: Una constelación comercial que proporciona imágenes diarias con una resolución de 3 metros, lo que permite la detección de prácticas agrícolas específicas en las distintas explotaciones individuales.

Cómo GeoPard apoya los programas de créditos de carbono

GeoPard Agriculture es una plataforma de agricultura de precisión que combina imágenes satelitales, datos de radar y análisis topográficos para ayudar a los agricultores a implementar y monitorear las prácticas que generan créditos de carbono verificados. Integra la agricultura de carbono directamente en la gestión agrícola diaria, en lugar de tratarla como una actividad independiente.

1. Implementación práctica guiada por datos satelitales

GeoPard utiliza datos satelitales y de radar para identificar zonas de campo con bajo rendimiento, aptas para cultivos de cobertura, agrosilvicultura o reducción de labranza. Su solución de monitoreo de cultivos orienta las decisiones de rotación para mejorar la estructura del suelo y aumentar la capacidad de almacenamiento de carbono a largo plazo.

El análisis topográfico permite identificar qué áreas de los campos se benefician más de especies específicas de cultivos de cobertura, eliminando así las conjeturas de una práctica que impulsa directamente la captura de carbono.

2. Reducción de emisiones y trazabilidad MRV

Para la reducción de CO2, GeoPard apoya la adopción de la labranza cero y la gestión de residuos, ayudando a los agricultores a abandonar las prácticas convencionales de alteración del suelo. Para la reducción de N2O, permite la gestión de nutrientes 4R, aplicando el fertilizante adecuado, en la dosis, el momento y el lugar precisos, reduciendo así el exceso de nitrógeno que se convierte en óxido nitroso en el suelo.

En lo que respecta al sistema MRV, las capas de datos satelitales de GeoPard crean un registro continuo y cronometrado de las actividades de campo a lo largo de la temporada de cultivo. Esta evidencia espacial respalda los requisitos de medición e informes, proporcionando a los verificadores externos datos objetivos para confirmar que las prácticas declaradas realmente se llevaron a cabo.

Al vincular directamente las decisiones agrícolas diarias con resultados medibles en materia de carbono, GeoPard hace que sea práctico para los agricultores de todos los tamaños participar con confianza en los programas de créditos de carbono.

Cómo la teledetección permite obtener créditos de carbono: paso a paso

1. Mapeo de referencia

Antes de que un proyecto de carbono pueda emitir créditos, debe establecer una línea de base creíble, una instantánea cuantificada de la cantidad de carbono que ya contiene el área del proyecto y de las prácticas de gestión del suelo que se aplican actualmente. Esta línea de base es el punto de referencia con el que se miden todas las mejoras futuras.

La teledetección permite realizar mapas de referencia mediante diversos análisis integrados. El mapeo de la vegetación, utilizando datos del índice NDVI y del índice de área foliar, permite identificar los tipos de cultivos existentes, la densidad de biomasa y los patrones de la temporada de crecimiento.

El análisis histórico del uso del suelo mediante el archivo multidecadal de Landsat revela si un campo ha sido sometido a labranza convencional, pastizal o cultivo mixto durante los últimos diez a veinte años. Este historial es importante porque los niveles de carbono del suelo reflejan la gestión acumulada a lo largo de décadas, no solo la de la temporada actual.

El mapeo de propiedades del suelo combina datos satelitales hiperespectrales con muestras de suelo de campo para producir mapas espacialmente continuos de carbono orgánico, textura y contenido de arcilla del suelo. La identificación de los límites del proyecto utiliza imágenes satelitales registradas por GPS para definir los límites geográficos exactos del proyecto de carbono, un requisito para todos los principales registros de carbono, incluidos Verra y Gold Standard.

2. Verificación de la práctica

Los registros de carbono requieren evidencia continua de que las prácticas sostenibles se implementan realmente, no solo se afirman. La teledetección proporciona esta evidencia mediante el análisis de series temporales de imágenes satelitales a lo largo de temporadas de cultivo completas.

i. Detección de cultivos de cobertura Utiliza índices de vegetación de la temporada de invierno para identificar la cubierta vegetal en crecimiento activo entre los ciclos de cultivos comerciales. Un campo con cultivos de cobertura muestra valores de NDVI significativamente más altos durante la temporada baja en comparación con un campo sin vegetación.

Una investigación publicada en el Centro Nacional de Información Biotecnológica (2024) que utilizó datos de Sentinel-2 en Dakota del Sur logró precisiones de clasificación superiores a 80% para detectar la presencia de cultivos de cobertura y la intensidad del laboreo en campos de maíz y soja.

Un estudio de ScienceDirect (2024) implementó una canalización MRV en 553.743 hectáreas y reducciones de emisiones medidas de 398.408,5 tCO2e En tres emisiones consecutivas de créditos de carbono, las reducciones se atribuyen principalmente a la introducción de cultivos de cobertura y a la disminución de la intensidad de la labranza. Los sistemas de MRV basados en satélites ahora pueden operar a escala de regiones agrícolas enteras, no solo en proyectos individuales.

ii. Verificación de labranza cero Se basa en el monitoreo de la superficie del suelo entre la cosecha y la siembra. Tras una cosecha sin labranza, los residuos permanecen en la superficie y los valores de NDVI se mantienen moderadamente elevados debido a la reflectancia de los residuos. Un campo labrado muestra cambios abruptos en la textura de la superficie y la firma espectral, detectables en imágenes satelitales de 10 a 30 metros. Los datos SAR complementan el análisis óptico al detectar cambios en la humedad del suelo asociados con la perturbación mecánica.

iii. Monitoreo de la retención de residuos de cultivos Utiliza bandas infrarrojas de onda corta para estimar el porcentaje de residuos de cultivos que cubren el suelo después de la cosecha. Los residuos tienen una firma espectral distintiva en comparación con el suelo desnudo, lo que permite que los índices de cobertura de residuos derivados de satélite estimen si 30%, 50% o 70% de la superficie están cubiertos, umbrales que determinan directamente la elegibilidad y el volumen de crédito en muchas metodologías.

iv. Seguimiento de la rotación de cultivos Este sistema rastrea los cambios en el tipo de cultivo a lo largo de varias temporadas mediante datos espectrales de series temporales. Cada cultivo presenta características fenológicas únicas: el reverdecimiento, el pico de crecimiento y la senescencia durante la temporada de cultivo. La frecuencia de revisita de 5 días de Sentinel-2 captura esta dinámica con la precisión suficiente para distinguir el maíz de la soja y del trigo en años consecutivos.

3. Estimación de biomasa y reservas de carbono

La medición de las reservas de carbono requiere convertir las propiedades observables de la vegetación y el suelo en estimaciones cuantitativas del carbono almacenado. La teledetección alimenta este proceso mediante múltiples flujos de datos.

Biomasa aérea (AGB) La estimación utiliza la altura de la vegetación a partir de datos LiDAR, la densidad del dosel a partir de imágenes ópticas y el Índice de Área Foliar (IAF) derivado de la reflectancia del infrarrojo cercano. Estos datos alimentan ecuaciones alométricas que producen estimaciones de biomasa en toneladas por hectárea. El contenido de carbono se calcula típicamente como aproximadamente 47-50% del peso de la biomasa seca, un factor de conversión validado en cientos de especies por el IPCC y la FAO.

Carbono orgánico del suelo (COS) La estimación es más compleja porque el carbono subterráneo no se puede observar directamente desde arriba. La teledetección contribuye mediante imágenes hiperespectrales que detectan las firmas espectrales de la materia orgánica del suelo en campos desnudos o con escasa vegetación, y mediante datos de humedad del suelo derivados de radar de apertura sintética (SAR) que influyen en las tasas de recambio de carbono.

Estos datos de teledetección se combinan con modelos basados en procesos, como RothC o CENTURY, que simulan cómo se descompone y se estabiliza la materia orgánica en diferentes condiciones climáticas y de gestión.

La credibilidad de un crédito de carbono depende enteramente de la precisión de la medición que lo respalda. La teledetección transforma la verificación del carbono, pasando de ser una costosa tarea de campo a un registro de auditoría continuo basado en datos.

Los algoritmos de aprendizaje automático, incluidos los bosques aleatorios, el aumento de gradiente y los modelos de aprendizaje profundo, se utilizan cada vez más para integrar los datos de teledetección con las mediciones de campo.

Una investigación publicada en PeerJ (2024) demostró que los modelos de aprendizaje automático que combinan índices satelitales multiespectrales con un muestreo limitado de suelo podrían predecir el carbono orgánico del suelo con una precisión competitiva, reduciendo la cantidad de muestras de suelo destructivas necesarias para la validación del proyecto.

Medición, Notificación y Verificación (MRV): Fundamentos de los créditos de carbono

MRV (Medición, Notificación y Verificación) es el marco de gobernanza que distingue los créditos de carbono fiables de las afirmaciones no verificables. Todos los principales registros de carbono exigen que los proyectos sigan un protocolo MRV aprobado. La teledetección se ha convertido en una parte integral de las tres etapas.

1. Medición: Recopilación de datos

La medición implica la recopilación de datos brutos a partir de los cuales se calculan las cantidades de carbono. En los programas basados en satélites, esto comienza con la ingesta automatizada de imágenes multiespectrales y SAR a intervalos regulares durante toda la temporada de cultivo.

Los estudios con drones proporcionan datos terrestres de alta resolución en etapas fenológicas clave. Las campañas de muestreo de suelo específicas recogen mediciones de campo para calibrar y validar las estimaciones de carbono orgánico del suelo (COS) obtenidas por satélite. Los algoritmos de estimación de biomasa se ejecutan sobre los datos combinados para generar valores de reservas de carbono a escala de campo.

2. Informes: Conversión de mediciones en créditos

El proceso de elaboración de informes transforma los datos procesados en un paquete de documentación formal que se presenta a un registro de carbono. Este paquete incluye hojas de cálculo de contabilidad de carbono, mapas espaciales de las actividades del proyecto, evidencia de la implementación de las prácticas y modelos de cambios en las reservas de carbono durante el período de verificación.

Es obligatorio cumplir con las normas internacionales, incluidas la ISO 14064-2 y las directrices del Protocolo de Gases de Efecto Invernadero (GEI). Los archivos de series temporales satelitales sirven como registros inalterables que respaldan cada cifra reportada.

3. Verificación: Confirmación independiente

Verificadores externos revisan la documentación presentada y evalúan de forma independiente si los resultados de reducción de carbono reportados son reales, adicionales (es decir, que no se habrían producido sin el proyecto) y permanentes.

Las pruebas obtenidas mediante teledetección, incluidos los archivos de imágenes satelitales y los estudios con drones, proporcionan a los verificadores datos objetivos para comparar con las afirmaciones del proyecto. El análisis de series temporales detecta inconsistencias, como que un agricultor afirme practicar la labranza cero en un campo que muestra señales espectrales de perturbación mecánica.

La detección de fraudes mediante algoritmos de detección de cambios se está integrando cada vez más en las plataformas digitales de MRV para señalar anomalías antes de que lleguen a la fase de verificación.

Según datos reportados por Marq Stats (2026), la convergencia de imágenes satelitales de alta resolución y aprendizaje automático redujo el costo del MRV por granja en 70-90% entre 2018 y 2025, lo que permite a Indigo Carbon gestionar más de 8 millones de acres inscritos en 28 estados de EE. UU. con un 85% reducción de la carga administrativa de recopilación de datos.

La reducción de costes a esta escala significa que los pequeños agricultores y las explotaciones medianas ahora pueden participar en programas de créditos de carbono que antes solo estaban al alcance de los grandes productores de materias primas.

4. Cómo MRV determina el valor real de un crédito de carbono

El MRV no es solo un requisito de cumplimiento. Es lo que determina si un crédito de carbono tiene un valor real en el mercado. Compradores, inversores y reguladores fijan el precio de los créditos de carbono en función de la fiabilidad con la que se puede verificar el carbono subyacente. Un crédito con un MRV débil se negocia con descuento o se rechaza por completo.

Sin un sistema MRV fiable, los créditos de carbono se convierten en meras conjeturas. Un agricultor podría afirmar que se sembraron cultivos de cobertura cuando no fue así. Un promotor de proyectos podría sobreestimar las ganancias de carbono en el suelo. Los compradores podrían financiar, sin saberlo, proyectos que no generan ningún beneficio climático real. El sistema MRV subsana estas deficiencias al exigir evidencia documentada, verificable y estandarizada en cada etapa.

Para los agricultores, un sistema sólido de MRV (Reporte, Medición y Verificación) les beneficia. Elimina la carga de la autodeclaración y la reemplaza con evidencia satelital que ningún registro ni comprador puede refutar. Este cambio de la verificación basada en la confianza a la verificación basada en datos es lo que permite a los pequeños agricultores competir en los mismos mercados de carbono que las grandes empresas agroindustriales.

Para el mercado del carbono en su conjunto, un sistema creíble de MRV (Medición, Viabilidad y Verificación) es lo que distingue la acción climática genuina del ecoblanqueo. Cada tonelada de CO2 que se contabiliza dos veces, se estima de forma imprecisa o se reclama sin pruebas, debilita todo el sistema.

El sistema MRV basado en teledetección subsana esta deficiencia al lograr una medición objetiva, una presentación de informes estandarizada y una verificación independiente. Por ello, los créditos de carbono respaldados por el sistema MRV satelital ahora alcanzan un precio superior en los mercados voluntarios (15-25%): los compradores pagan más porque la base científica del crédito es más difícil de refutar.

Beneficios de la teledetección para los programas de créditos de carbono

Las ventajas de la teledetección sobre el monitoreo de carbono basado exclusivamente en el trabajo de campo son sustanciales y se multiplican a medida que los programas se amplían para abarcar más terreno.

1. La monitorización a gran escala se vuelve factible a una fracción del coste. Una sola escena de Sentinel-2 cubre 100 por 100 kilómetros, monitorizando miles de granjas en una sola pasada sin necesidad de personal en tierra.
2. La verificación es más rápida y requiere menos mano de obra. Los programas de carbono que antes requerían meses de visitas de campo ahora pueden completar la verificación de prácticas en cuestión de días utilizando sistemas automatizados de análisis satelital.
3. Aumenta la transparencia para compradores, registros e inversores. Los archivos satelitales crean un registro objetivo y reproducible de lo sucedido en un yacimiento durante el período del proyecto, independientemente de los intereses de cualquier parte interesada.
4. Se reduce el error humano. La clasificación automatizada de imágenes y el modelado de carbono aplican algoritmos consistentes en todas las áreas del proyecto, eliminando la variación introducida por los diferentes evaluadores de campo que utilizan distintos métodos de muestreo.
5. La confianza de los inversores crece. Los compradores institucionales exigen cada vez más una validación de crédito cuantitativa y basada en datos antes de comprometer capital en proyectos de carbono. Los créditos respaldados por teledetección con etiquetas de Principios Fundamentales del Carbono (CCP) ahora son muy demandados. primas de precio 15-25%, Según los datos de 2025 del Consejo de Integridad para el Mercado Voluntario de Carbono.

Una mejor toma de decisiones beneficia a todos los interesados. Los agricultores reciben información espacialmente precisa sobre qué campos tienen un buen o mal rendimiento en cuanto a la reducción de emisiones de carbono. Los desarrolladores de proyectos pueden asignar recursos de monitoreo a las zonas de alto riesgo. Los registros pueden priorizar las labores de verificación mediante la detección automatizada de anomalías.

Desafíos y limitaciones en los mercados de carbono

La teledetección es potente, pero no ilimitada. Comprender sus limitaciones actuales es fundamental para diseñar programas de carbono que sigan siendo científicamente defendibles.

1. La nubosidad sigue siendo un obstáculo constante para los sensores satelitales ópticos en las regiones agrícolas tropicales y afectadas por los monzones. Durante los periodos clave de la temporada de cultivo, las observaciones consecutivas sin nubes pueden resultar imposibles, lo que genera lagunas en el registro de monitoreo. El radar de apertura sintética (SAR) compensa parcialmente este problema, pero la integración de conjuntos de datos de múltiples sensores aumenta la complejidad del procesamiento.
2. El carbono subterráneo no puede observarse directamente desde el espacio. La estimación del carbono orgánico del suelo mediante teledetección siempre depende del modelo, basándose en indicadores espectrales de la superficie y simulaciones basadas en procesos que conllevan una incertidumbre inherente.
3. La resolución espacial limita la detección de prácticas agrícolas a pequeña escala. En regiones dominadas por la agricultura a pequeña escala, con parcelas de menos de una hectárea, incluso los píxeles de 10 metros de Sentinel-2 pueden abarcar múltiples límites de gestión, lo que dificulta la atribución precisa de las prácticas.
4. La validación con datos de campo sigue siendo obligatoria. Los modelos satelitales requieren calibración con muestras de suelo y observaciones de campo. Ninguna metodología actual de teledetección elimina por completo la necesidad de datos de campo.

La estandarización de los programas de carbono representa otro desafío. Los distintos registros aceptan diferentes metodologías de teledetección, plataformas satelitales y modelos. Un crédito validado mediante una metodología puede no ser reconocido por un comprador que opere bajo un estándar diferente, lo que genera fragmentación del mercado y limita la liquidez del crédito y la participación de los agricultores.

El futuro de la teledetección en los mercados de carbono

El ritmo de innovación en tecnología satelital, inteligencia artificial e infraestructura agrícola digital sugiere que las limitaciones de los sistemas de teledetección actuales se irán resolviendo progresivamente durante la próxima década.

La inteligencia artificial y el aprendizaje automático ya están transformando la estimación del carbono. Los modelos de aprendizaje profundo, entrenados con millones de píxeles satelitales, pueden identificar patrones de labranza, tipos de cultivos y cambios en las prácticas agrícolas con mayor precisión y a un menor costo por campo que cualquier método anterior.

Los modelos pioneros publicados en Remote Sensing of Environment (2024) demostraron que los modelos de aprendizaje automático hiperespectrales podían predecir el carbono orgánico del suelo a escalas continentales con una precisión competitiva cuando se entrenaban con bibliotecas espectrales de suelo espacialmente diversas.

Las constelaciones de satélites comerciales de alta resolución, incluida la cobertura diaria de 3 metros de PlanetScope y los próximos sistemas de muy alta resolución, están haciendo que el monitoreo de las prácticas de subcampo sea accesible para los programas que operan a nivel de explotación agrícola individual.

La fusión de datos procedentes de drones y satélites permite un enfoque de monitorización por capas: los satélites proporcionan una cobertura continua, mientras que los drones aportan detalles de validación cuando y donde más se necesitan.

• integración de IoT Permite que los datos de los sensores de suelo en tiempo real, procedentes de redes de sondas de humedad y carbono instaladas en el campo, se introduzcan directamente en los sistemas de calibración de teledetección, lo que reduce la dependencia del muestreo manual periódico del suelo.
• Gemelos digitales para paisajes agrícolas Están surgiendo como una forma de simular la dinámica del carbono en toda una explotación agrícola utilizando datos combinados de teledetección, meteorológicos y edáficos. Estos entornos de simulación permiten a los desarrolladores de proyectos modelar escenarios hipotéticos para diferentes combinaciones de prácticas antes de adoptar una metodología.
• Seguimiento de carbono habilitado por blockchain Vincula los eventos de carbono verificados por satélite con registros contables inmutables, proporcionando a los compradores un registro de auditoría completo desde la observación sobre el terreno hasta la cancelación del crédito.
• Plataformas MRV automatizadas Están sustituyendo los flujos de trabajo de envío manual de datos. Empresas como Agreena en Dinamarca utilizan datos de observación de la Tierra para monitorizar los cambios en la gestión de la tierra en miles de explotaciones agrícolas de la UE, y se emiten créditos de carbono basados en el análisis continuo por satélite en virtud del Reglamento de la UE sobre agricultura de carbono (UE 2024/3012).

La monitorización del carbono prácticamente en tiempo real, con frecuencias de revisita satelital casi diarias y sistemas de análisis que procesan las imágenes a las pocas horas de su adquisición, pronto permitirá detectar cambios en las prácticas agrícolas, como que un agricultor retome el laboreo a mitad de un proyecto, antes de que se produzca una pérdida significativa de carbono. Las constelaciones satelitales globales y la creciente infraestructura de procesamiento están poniendo esta capacidad al alcance de los principales registros de carbono para finales de la década de 2020.

Conclusión

La clave para la obtención de créditos de carbono mediante la teledetección reside en una ventaja fundamental: transforma lo invisible en cuantificable. El carbono almacenado en suelos y vegetación no se puede pesar ni contar directamente. Sin embargo, las prácticas agrícolas que determinan la cantidad de carbono que contiene un paisaje, incluyendo los cultivos, la gestión del suelo y la distribución de la biomasa, dejan huellas espectrales y estructurales detectables que los satélites, los sistemas LiDAR y las plataformas SAR pueden observar, registrar y cuantificar.

Desde la cartografía de referencia hasta la verificación de prácticas, desde la estimación de biomasa hasta la documentación MRV, la teledetección proporciona la base científica que los mercados de carbono requieren para funcionar con integridad. La conexión entre la agricultura de precisión y los mercados de carbono nunca ha sido tan sólida. Los agricultores que adoptan prácticas de gestión basadas en datos no solo mejoran su productividad, sino que también generan el tipo de evidencia de carbono verificable y espacialmente explícita que los registros, compradores y reguladores exigen cada vez más.

La monitorización de la evapotranspiración mediante teledetección representa uno de los avances más importantes en la ciencia del agua agrícola de las últimas dos décadas. Al combinar datos térmicos derivados de satélites, índices de vegetación y principios físicos del balance energético, científicos y agricultores pueden ahora estimar la cantidad de agua que se evapora en millones de hectáreas, sin necesidad de sensores terrestres.

Esta capacidad está transformando la manera en que los agrónomos planifican el riego, los gobiernos monitorean la sequía y los investigadores cuantifican la huella hídrica de cuencas fluviales enteras. La agricultura consume aproximadamente 701 TP3T del total de aguas dulces extraídas a nivel mundial; sin embargo, la mayor parte de esta agua nunca se mide directamente en el campo, una brecha crucial que el monitoreo de la evapotranspiración mediante teledetección está subsanando rápidamente.

¿Qué es la evapotranspiración?

La evapotranspiración (ET) es el proceso combinado mediante el cual el agua se mueve desde la superficie terrestre hacia la atmósfera. Consta de dos componentes que actúan simultáneamente: la evaporación, que es la conversión directa del agua líquida del suelo, los cuerpos de agua y las superficies vegetales en vapor de agua; y la transpiración, que es el movimiento biológico del agua absorbida por las raíces de las plantas, transportada hacia arriba a través del tallo y liberada como vapor a través de pequeños poros en las hojas llamados estomas.

En conjunto, estos dos procesos representan el mayor flujo de agua que sale de un ecosistema terrestre. En la mayoría de los paisajes agrícolas, la evapotranspiración (ET) devuelve a la atmósfera entre el 60 y el 80 por ciento de toda la precipitación. Esta cifra convierte a la ET en la variable dominante del balance hídrico terrestre, con mayor influencia que la escorrentía o la percolación profunda en la mayoría de los entornos cultivados.

La evapotranspiración (ET) se sitúa en el centro del ciclo hidrológico, conectando la superficie terrestre, la biosfera y la atmósfera. Cuando las tasas de ET son elevadas, la humedad del suelo se agota más rápidamente, los caudales base de los ríos disminuyen y las tasas de recarga de los acuíferos se reducen. Cuando la ET disminuye —debido al estrés hídrico, la senescencia de los cultivos o los cambios en el uso del suelo— las consecuencias se extienden a la disponibilidad de agua aguas abajo.

En la ciencia climática, la evapotranspiración (ET) es un mecanismo de acoplamiento fundamental entre los ciclos del carbono y del agua. Las plantas abren sus estomas para absorber CO2 para la fotosíntesis y, al hacerlo, liberan simultáneamente vapor de agua. Cualquier cambio en la cobertura vegetal global, la temperatura o la concentración de CO2 altera el balance de ET planetario y repercute en los patrones de precipitación regionales.

¿Por qué es prioritario monitorear la evapotranspiración en la gestión del agua?

Los datos precisos de ET permiten tomar mejores decisiones en múltiples sectores. En la agricultura, conocer el consumo real de agua de los cultivos a nivel de campo le indica al responsable del riego exactamente cuánta agua aplicar, cuándo aplicarla y dónde se están desarrollando déficits antes de que aparezcan signos visibles de estrés en el cultivo.

Esta precisión evita tanto el riego excesivo, que desperdicia agua y lixivia nutrientes, como el riego insuficiente, que reduce el rendimiento.

1. Programación del riego: La programación del riego basada en la evapotranspiración (ET) sustituye las conjeturas por la física. Cuando un agricultor sabe que un campo de maíz en julio pierde 7 mm de agua al día debido a la ET, puede reponer ese déficit exacto en lugar de regar a intervalos fijos.

2. Seguimiento de la sequía: Una disminución sostenida de la evapotranspiración real en relación con la evapotranspiración de referencia (la que se evaporaría con un suministro ilimitado de agua) indica la aparición de estrés hídrico. La teledetección capta esta señal semanas antes de que la pérdida de rendimiento sea visible a simple vista.

3. Planificación de los recursos hídricos: La contabilidad del agua a nivel de cuenca requiere datos de evapotranspiración (ET) a escala de cuenca hidrográfica. El monitoreo satelital de la ET proporciona esta cobertura espacial a una fracción del costo de una red de estaciones terrestres.

4. Evaluación del cambio climático: Las tendencias de ET a largo plazo revelan cómo el aumento de las temperaturas y los cambios en los patrones de precipitación están alterando el uso del agua por parte de los ecosistemas; datos que sirven de base para la planificación de la adaptación a nivel regional y nacional.

5. Monitoreo de la salud del ecosistema: Las tasas de evapotranspiración de los humedales, la transpiración forestal y el consumo de agua de los pastizales responden con gran sensibilidad a las perturbaciones ecológicas. La teledetección de la evapotranspiración permite detectar estos cambios en paisajes extensos e inaccesibles.

¿Qué factores influyen en la evapotranspiración?

La evapotranspiración (ET) está determinada por una combinación de condiciones climáticas, características del paisaje y biología vegetal. A continuación, se detallan los factores clave involucrados.

1. Tipo de suelo. La composición del suelo influye significativamente en la retención y evaporación del agua. Los suelos arenosos o pedregosos tienden a retener menos agua y a liberar más por evaporación, mientras que los suelos francos o arcillosos retienen mejor la humedad.

2. Temperatura del aire. La temperatura influye directamente en las tasas de ET. El aire más cálido tiene mayor capacidad para retener humedad, y el aumento del calor acelera la conversión del agua en vapor, incrementando así la evapotranspiración.

3. Radiación solar. Más allá de generar calor, la radiación solar implica variaciones en los niveles de energía, la frecuencia y el albedo, factores que influyen en la evapotranspiración. Estos factores varían según la ubicación y la época del año, y su medición precisa suele requerir tecnología avanzada.

4. Humedad. La humedad relativa (HR) se refiere a la cantidad de vapor de agua presente en el aire en relación con su capacidad máxima. Cuando la humedad es alta, el aire absorbe menos humedad adicional, lo que reduce la evapotranspiración (ET). Por el contrario, el aire más seco puede absorber más vapor, lo que conlleva mayores tasas de evapotranspiración.

5. Cubierta vegetal. Las distintas especies vegetales interactúan con el agua de maneras diferentes. Algunas almacenan agua de forma eficiente durante los periodos secos, mientras que otras la pierden con mayor rapidez. La evapotranspiración (ET) también se ve influenciada por la edad, la salud y la profundidad de las raíces de la planta: unas raíces más profundas permiten que los cultivos sobrevivan más tiempo sin riego. Estas diferencias fisiológicas implican que la ET puede variar considerablemente entre los distintos tipos de cultivos, lo que requiere estrategias de riego específicas.

6. Velocidad del viento. El viento es un factor determinante tanto de la evaporación como de la transpiración. Dispersa la capa de aire húmedo que se acumula sobre la vegetación, aumentando la ET. También facilita la difusión del vapor a través de los poros de las plantas, lo que incrementa la transpiración. Sin embargo, los vientos secos y extremadamente fuertes a veces pueden dificultar la difusión del vapor, reduciendo ligeramente la ET en ciertas condiciones.

Conceptos clave de la evapotranspiración

ET(0) refleja la capacidad de la atmósfera para provocar la pérdida de agua y se basa exclusivamente en el clima. ET(c) mide el agua perdida por cultivos sanos y bien irrigados que crecen en condiciones ideales a su máximo potencial de rendimiento. Cuando los cultivos se enfrentan a un manejo subóptimo o a desafíos ambientales, ET(c) debe modificarse para obtener ET(c adj). La evapotranspiración de los cultivos se comprende a través de tres conceptos distintos:

1. ET(0) — Evapotranspiración de referencia
2. ET(c) — Evapotranspiración en condiciones estándar
3. ET(c adj) — Evapotranspiración en condiciones no estándar

1. Evapotranspiración de referencia — ET(0)

ET(0) representa la tasa a la que el agua se evapora de una superficie de referencia bien regada, que normalmente se modela como una cubierta de césped idealizada que cumple con criterios específicos.

Esta medida capta la demanda evaporativa de la atmósfera independientemente del tipo de cultivo, la etapa de crecimiento o las prácticas agrícolas. Dado que se supone que la superficie de referencia está completamente humedecida, las condiciones del suelo se excluyen del cálculo, lo que elimina la necesidad de definir umbrales de ET separados para cada cultivo en cada etapa de crecimiento.

La ET(0) está determinada enteramente por variables climáticas, y los valores típicos varían entre las zonas agroclimáticas, aunque estas cifras sirven solo como puntos de referencia generales.

2. Evapotranspiración en condiciones estándar — ET(c)

ET(c) cuantifica el agua liberada por un cultivo sano y bien nutrido, cultivado en campos grandes y adecuadamente irrigados bajo condiciones climáticas favorables, operando a su máxima productividad. Se obtiene multiplicando la ET de referencia por el coeficiente de cultivo K(c):

ET(c) = ET(0) × K(c)

3. Evapotranspiración en condiciones no estándar — ET(c adj)

ET(c adj) tiene en cuenta las desviaciones reales respecto a las condiciones de cultivo ideales. Factores como la presión de plagas y enfermedades, el déficit o exceso de agua, la salinidad del suelo y la baja fertilidad del suelo pueden provocar que el consumo real de agua del cultivo difiera significativamente de ET(c). Se introduce un coeficiente de estrés hídrico K(s) junto con el coeficiente de cultivo para capturar estos efectos:

ET(c adj) = ET(0) × K(c) × K(s)

Métodos tradicionales para medir la evapotranspiración

Antes de la teledetección, los científicos medían la evapotranspiración (ET) mediante instrumentación física directa. Cada método funciona bien a una escala específica, pero presenta importantes inconvenientes que limitan su aplicación agrícola generalizada. Algunas de las mejores técnicas de medición de ET terrestres son:

1. Lisímetro: Un lisímetro (un gran recipiente lleno de tierra y cultivo en crecimiento, instalado a ras del suelo) mide la evapotranspiración (ET) pesando el bloque de tierra a lo largo del tiempo. Cuando se controla la precipitación y se recoge el drenaje, la diferencia de masa entre intervalos de tiempo equivale a la ET real.

Los lisímetros proporcionan las mediciones de evapotranspiración más precisas disponibles, pero cuestan cientos de miles de dólares por unidad, cubren solo unos pocos metros cuadrados y no pueden representar la variabilidad espacial de un campo real.

2. Sistema de covarianza de remolinos: El sistema de covarianza de remolinos mide la evapotranspiración calculando la covarianza entre la velocidad vertical del viento y la concentración de vapor de agua sobre la vegetación mediante sensores de respuesta rápida. Su área de cobertura abarca desde varios cientos de metros hasta unos pocos kilómetros, lo que lo hace mucho más representativo que un lisímetro.

Sin embargo, la instalación y el mantenimiento de las torres de medición de flujo cuestan entre 50.000 y 300.000 dólares estadounidenses, y la red global FLUXNET solo cuenta con unos 900 sitios activos, una cifra demasiado escasa para monitorizar la evapotranspiración agrícola a escala nacional.

3. Método de la relación de Bowen: El método de la relación de Bowen estima la evapotranspiración (ET) midiendo la relación entre el flujo de calor sensible (que calienta el aire) y el flujo de calor latente (ET) mediante gradientes de temperatura y humedad por encima del dosel arbóreo. Es más sencillo que el método de covarianza de remolinos, pero requiere condiciones de alcance homogéneas y no puede utilizarse en terrenos complejos.

4. Cálculos de ET basados en estaciones meteorológicas Utilizando la ecuación de Penman-Monteith de la FAO, se calcula la evapotranspiración de referencia (ET0) a partir de datos de temperatura del aire, humedad, velocidad del viento y radiación. Este método se utiliza ampliamente para la programación del riego, pero produce una evapotranspiración de referencia, no una evapotranspiración real, ya que presupone un cultivo de referencia bien regado en lugar del cultivo real en el campo.

El principal problema de todos los métodos terrestres es la escala. Un solo lisímetro representa unos pocos metros cuadrados. Una torre de flujo cubre, en el mejor de los casos, unos cientos de hectáreas. Pero la gestión moderna del agua en la agricultura requiere datos de evapotranspiración a nivel de campo en cuencas fluviales enteras, un desafío espacial que solo la teledetección puede abordar.

Fundamentos de la teledetección para el monitoreo de ET

La teledetección, en el contexto de la monitorización de la evapotranspiración, consiste en la adquisición y el análisis de datos obtenidos por satélite o aeronave para estimar el flujo de agua que abandona la superficie terrestre sin tocar físicamente dicha superficie.

Este método funciona porque las plantas y los suelos intercambian energía con la atmósfera de maneras detectables desde el espacio, especialmente mediante la emisión de radiación infrarroja térmica. Cuando una planta transpira eficientemente, utiliza la energía solar incidente para evaporar el agua en lugar de calentarse. Un dosel con la humedad adecuada en el suelo se mantiene relativamente fresco.

Por el contrario, una cubierta vegetal con estrés hídrico cierra sus estomas para conservar agua, y dado que se absorbe menos calor latente (ET) de la energía entrante, la temperatura de la superficie de la cubierta aumenta. Esta es la señal física fundamental que capta la teledetección térmica.

Principios físicos clave que sustentan la estimación de la evapotranspiración mediante satélites

En balance energético es el marco rector. En cualquier superficie terrestre, la radiación neta (Rn) proveniente del sol y la atmósfera debe ser igual a la suma de tres sumideros de energía: el flujo de calor del suelo (G), el flujo de calor sensible (H, que calienta el aire) y el flujo de calor latente (LE, que impulsa la ET). Escrito como una ecuación: Rn = G + H + LE. Al estimar Rn, G y H a partir de datos satelitales, el modelo obtiene LE —y, por lo tanto, ET— como el residuo.

1. Temperatura de la superficie terrestre La temperatura superficial terrestre (LST), medida en la banda infrarroja térmica, es la principal variable observable que se utiliza para estimar el flujo de calor sensible H. Una superficie más caliente transfiere más calor al aire (H alto), dejando menos energía para la evapotranspiración (ET) (LE bajo). Una superficie más fría y bien irrigada tiene un H menor y un LE mayor.

2. Índices de vegetación El índice NDVI, por ejemplo, mide la cantidad de materia vegetal verde y fotosintéticamente activa que cubre la superficie, lo que controla las tasas de transpiración. Una cubierta vegetal densa y verde transpira más que un suelo desnudo o una vegetación escasa.

3. Radiación neta se calcula a partir de los flujos de radiación de onda corta y onda larga, que la teledetección estima a partir del albedo de la superficie, la cobertura vegetal y los datos de emisión térmica.

La monitorización de la evapotranspiración mediante satélites no sustituye a la información de campo; es la única herramienta capaz de proporcionar datos de uso del agua espacialmente continuos a la escala en la que se toman realmente las decisiones agrícolas e hidrológicas.

La ventaja de la teledetección sobre los métodos terrestres no reside únicamente en la cobertura espacial. Los datos satelitales proporcionan mediciones sinópticas y repetibles en paisajes altamente heterogéneos, algo que ninguna red terrestre podría replicar a un costo comparable.

Fuentes de datos de teledetección para la estimación de la evapotranspiración

La estimación de la evapotranspiración desde el espacio requiere la combinación de datos de múltiples tipos de sensores. Ningún satélite por sí solo proporciona todos los datos necesarios para un modelo completo de evapotranspiración, por lo que los productos operativos de evapotranspiración suelen fusionar datos de varias plataformas.

1. Plataformas satelitales para la estimación de ET

i. Landsat El Servicio Geológico de Estados Unidos (USGS) y la NASA operan de forma continua desde 1972 y proporcionan imágenes multiespectrales y térmicas con una resolución espacial de 30 metros y un ciclo de revisita de 16 días. Su extenso archivo lo hace indispensable para el análisis histórico de la evapotranspiración y el monitoreo de cultivos. La mayoría de los modelos de evapotranspiración basados en el balance energético, incluidos SEBAL y METRIC, se diseñaron originalmente a partir de datos Landsat.

ii. Sentinel-2 La ESA ofrece imágenes multiespectrales de 10 metros con un tiempo de revisita de 5 días para el cálculo de índices de vegetación de alta resolución. Si bien no incluye una banda térmica, complementa a Landsat al proporcionar datos NDVI, EVI y LAI más frecuentes y de mayor resolución para modelos de ET basados en la vegetación.

iii. MODIS El espectrorradiómetro de imágenes de resolución moderada (MOD16, NASA) proporciona cobertura global diaria con una resolución de entre 250 m y 1 km. Su menor resolución espacial limita su aplicación a escala de campo, pero lo hace ideal para el monitoreo de la evapotranspiración continental y global mediante productos como MOD16.

iv. ESTRÉS ECOlógico El satélite ECOSTRESS (de la NASA) está instalado en la Estación Espacial Internacional y proporciona datos infrarrojos térmicos con una resolución de 70 metros y un ciclo de revisita de 1 a 5 días. ECOSTRESS fue diseñado específicamente para medir el estrés hídrico de los cultivos y la evapotranspiración a escala de campo cercano, una capacidad que MODIS y los satélites anteriores no podían cubrir.

v. VIIRS El conjunto de radiómetros de imágenes visibles e infrarrojas (Visible Infrared Imaging Radiometer Suite, NOAA/NASA) en los satélites Suomi NPP y JPSS continúa el legado de cobertura diaria global de MODIS con una calibración de sensores mejorada, lo que permite la producción operativa de ET a escalas regionales y globales.

2. Observaciones de ET mediante UAV y drones

Los vehículos aéreos no tripulados (VANT o drones) equipados con cámaras térmicas y sensores multiespectrales pueden mapear la evapotranspiración (ET) con una resolución espacial inferior al metro en campos individuales. Una cámara térmica montada en un dron mide directamente la temperatura del dosel vegetal y, al combinarse con datos meteorológicos terrestres, produce mapas de ET con una resolución que ningún satélite puede igualar.

• Drones de imágenes térmicas Detectar las zonas de plantas con estrés hídrico dentro de un campo antes de que aparezca cualquier síntoma visible, lo que permite un riego de tasa variable a escala intracampo.
• sensores multiespectrales Los drones calculan el NDVI y el EVI con una resolución centimétrica, alimentando modelos de ET basados en coeficientes de cultivo para una planificación precisa del trabajo de campo.
• Mapeo de ET de alta resolución La información obtenida mediante vehículos aéreos no tripulados (UAV) es especialmente valiosa para cultivos especializados —frutas de árbol, viñedos, hortalizas— donde la variabilidad dentro del campo es alta y el coste del estrés hídrico es elevado.

Variables clave de teledetección utilizadas en la monitorización de ET

Cada variable extraída de los datos satelitales aporta una pieza específica al rompecabezas de la estimación de la evapotranspiración. Comprender qué mide cada variable y por qué es importante ayuda a los profesionales a seleccionar el modelo adecuado e interpretar correctamente los resultados.

1. Índice de Vegetación de Diferencia Normalizada El NDVI se calcula como (NIR – Rojo) / (NIR + Rojo) utilizando la reflectancia de las bandas infrarroja cercana y roja. Su valor oscila entre -1 y +1, y la vegetación densa suele obtener una puntuación entre 0,6 y 0,9. El NDVI refleja la densidad y el verdor del dosel vegetal, lo que se correlaciona directamente con el área foliar y la capacidad de transpiración.

2, Índice de Vegetación Mejorado El índice EVI añade una banda azul para reducir la interferencia atmosférica y los efectos del suelo que degradan el NDVI en regiones con vegetación densa o frecuentemente nubosas. El EVI es más sensible que el NDVI en áreas con alta biomasa y se utiliza en el algoritmo MOD16 ET.

3. Índice de área foliar El índice de área foliar (LAI, por sus siglas en inglés) cuantifica la superficie foliar total unilateral por unidad de superficie terrestre. Controla directamente la transpiración al determinar cuánta superficie foliar intercambia vapor de agua con la atmósfera. El LAI derivado de satélites es un dato clave en muchos modelos de evapotranspiración basados en principios físicos.

4. Albedo superficial es la fracción de la radiación solar incidente que refleja la superficie. Controla cuánta energía solar absorbe la superficie, lo que a su vez determina cuánta energía está disponible para impulsar la evapotranspiración (ET). Un suelo oscuro y húmedo tiene un albedo bajo (absorbe más energía); una superficie de arena desnuda tiene un albedo alto (refleja más).

5. Humedad del suelo Los datos de los sensores de microondas limitan los modelos de ET al indicar si hay suficiente agua disponible en la zona radicular para satisfacer la demanda de transpiración. Cuando la humedad del suelo cae por debajo de un umbral crítico, la ET real disminuye por debajo de la tasa potencial, incluso si hay energía disponible.

Bastiaanssen et al. (como se revisa en Frontiers in Remote Sensing, 2026) encontraron que SEBAL, validado en más de 30 países, logra Precisión de 85% para estimaciones diarias de ET y precisión de 95% para estimaciones estacionales de ET. a escala de campo.

Una precisión estacional de 95% significa que la contabilidad del agua de cultivo en todo un distrito de riego se puede realizar de forma fiable utilizando únicamente datos satelitales, eliminando la necesidad de densas redes de estaciones terrestres.

Modelos de estimación de la evapotranspiración

1. Modelos de balance energético

Los modelos de balance energético calculan la evapotranspiración (ET) como el residuo del balance energético de la superficie: ET = Rn – G – H. Cada modelo difiere en la forma en que estima el flujo de calor sensible H, que es el componente más exigente desde el punto de vista computacional y más propenso a errores.

i. Algoritmo de balance de energía superficial para la tierra (SEBAL) fue desarrollado por Bastiaanssen en 1998 y sigue siendo uno de los modelos de ET satelitales más utilizados a nivel mundial. SEBAL utiliza tres parámetros principales derivados de satélites: temperatura de la superficie terrestre (T0), reflectancia hemisférica de la superficie (albedo r0) e NDVI.

Para estimar el flujo de calor sensible, SEBAL identifica dos píxeles de referencia: el "píxel caliente" (suelo seco y desnudo, donde la ET es cercana a cero) y el "píxel frío" (cultivo bien regado, donde la ET es máxima). Posteriormente, interpola H en toda la escena en relación con estos extremos. Esta función de autocalibración reduce la sensibilidad de SEBAL a los errores de calibración absolutos en los datos meteorológicos.

ii. Mapeo de la evapotranspiración a alta resolución con calibración internalizada El modelo METRIC se basa en SEBAL, pero incorpora una calibración automatizada con respecto a una evapotranspiración de referencia calculada a partir de una estación meteorológica. METRIC es más adecuado para regiones con redes completas de datos meteorológicos y se ha adoptado ampliamente para la gestión operativa del riego en el oeste de Estados Unidos.

iii. Sistema de balance energético superficial (SEBS) utiliza la teoría del flujo turbulento para estimar el flujo de calor sensible a partir de la temperatura superficial terrestre (LST), la rugosidad de la superficie y la velocidad del viento, obtenidas mediante satélite. SEBS es físicamente más riguroso que SEBAL, pero requiere datos de entrada adicionales, por lo que resulta más adecuado para la investigación que para la gestión operativa de explotaciones agrícolas.

La elección de un modelo de evapotranspiración no es simplemente una decisión técnica, sino una decisión sobre la pregunta que se intenta responder. Un análisis de contabilidad hídrica a nivel de cuenca y una herramienta de programación de riego a nivel de campo requieren niveles de resolución espacial y frecuencia temporal fundamentalmente diferentes.

iv. Balance energético de dos fuentes El modelo (TSEB) trata el suelo y la cubierta vegetal como dos fuentes de ET separadas, cada una con su propio balance de temperatura y energía. Este enfoque es más preciso para vegetación escasa o coberturas vegetales mixtas, donde un modelo de fuente única podría confundir la evaporación del suelo con la transpiración de las plantas.

2. Modelos de ET basados en índices de vegetación

No todos los modelos de ET requieren imágenes térmicas. Los modelos basados en índices de vegetación estiman la ET a través de la enfoque del coeficiente de cultivo (Kc x ET0), donde el coeficiente de cultivo Kc se deriva del NDVI o el EVI, y la evapotranspiración de referencia (ET0) proviene de una estación meteorológica. La metodología FAO-56 formaliza este enfoque y se utiliza ampliamente para la programación del riego porque no requiere datos de bandas térmicas.

Modelos de aprendizaje automático, incluidos Bosque aleatorio, Redes neuronales artificiales (RNA), Las arquitecturas de aprendizaje profundo se aplican cada vez más a la estimación de la evapotranspiración (ET) mediante el aprendizaje de relaciones no lineales complejas entre las entradas derivadas de satélites (LST, NDVI, albedo, LAI) y las mediciones de ET de las torres de flujo.

Un estudio de 2023 publicado en Remote Sensing of Environment descubrió que un modelo de Bosque Aleatorio entrenado con datos MODIS y meteorológicos predijo la evapotranspiración diaria con un R2 de 0,87 y un RMSE de 0,51 mm/día en diversos biomas, lo que resulta competitivo con los modelos tradicionales de balance energético, pero requiere mucho menos esfuerzo de parametrización.

Un estudio publicado en Taylor and Francis Open (2021) encontró que el algoritmo SEBAL, aplicado a imágenes Landsat 8 sobre una región de cultivo de maíz en Adana, Turquía, produjo estimaciones de ET con una Coeficiente de correlación R = 0,91 frente al método Penman-Monteith de la FAO y un RMSE de solo 1,14 mm/día.

La precisión de SEBAL a escala de campo significa que la evapotranspiración derivada de satélites puede reemplazar o reducir sustancialmente la necesidad de costosas instalaciones de lisímetros en los sistemas operativos de gestión del riego.

Productos ET basados en satélites disponibles para uso operativo

Actualmente, varios productos de ET globales y regionales transforman los datos de teledetección en capas de datos de ET listas para usar. Los profesionales ya no necesitan ejecutar sus propios modelos de balance energético; pueden acceder directamente a estos conjuntos de datos precalculados.

1. Producto MOD16 ET La NASA utiliza datos MODIS con un algoritmo Penman-Monteith basado en datos de cobertura terrestre, LAI, EVI y datos meteorológicos de reanálisis globales de MODIS. Proporciona compuestos de ET mensuales y de 8 días con una resolución global de 500 metros. MOD16 es adecuado para estudios a escala de paisaje, pero su resolución es demasiado baja para la gestión de campos individuales.

2. SSEBop El modelo SSEBop (Simplified Surface Energy Balance Operating), desarrollado por el USGS, simplifica el desafío de calibración de píxeles calientes/fríos de SEBAL mediante el uso de límites de temperatura predefinidos derivados de datos climatológicos a largo plazo. SSEBop opera con una resolución de 30 metros utilizando datos Landsat y es uno de los seis modelos del conjunto OpenET.

3. Plataforma OpenET, Lanzado en 2021 y operado como una colaboración público-privada liderada por la NASA, el USGS, la Universidad Estatal de California en Monterey Bay, el Fondo de Defensa Ambiental y el Instituto de Investigación del Desierto, proporciona datos de evapotranspiración a escala de campo con una resolución de 30 metros en todo el oeste de Estados Unidos.

Un estudio histórico publicado en Nature Water en enero de 2024, que comparó las estimaciones de OpenET con las mediciones de 152 estaciones de medición de flujo terrestres, confirmó que OpenET logra una alta precisión para cultivos anuales como el trigo, el maíz, la soja y el arroz, especialmente en regiones áridas donde la escasez de agua hace que la precisión del riego sea fundamental.

4. Portal WaPOR La FAO proporciona datos de evapotranspiración para África y el Cercano Oriente con resoluciones de 30, 100 y 250 metros, diseñados específicamente para apoyar el análisis de la productividad del agua agrícola en regiones en desarrollo con escasez de datos.

5. GLEAM El modelo global de evaporación terrestre de Ámsterdam (Global Land Evaporation Amsterdam Model) separa la evapotranspiración (ET) en componentes de transpiración, evaporación del suelo desnudo, pérdida por intercepción y evaporación en aguas abiertas, basándose en datos de humedad del suelo obtenidos mediante microondas y productos de vegetación satelitales. Destaca por su capacidad para dividir la señal de ET en componentes biológicos y físicos.

Aplicaciones de la teledetección

1. Riego de precisión y gestión del agua en los cultivos

La aplicación más inmediata de los datos de evapotranspiración satelital es la planificación del riego. Cuando un agricultor accede a mapas semanales de evapotranspiración a escala de campo, puede calcular el déficit de riego —la diferencia entre la evapotranspiración real y la precipitación efectiva— y aplicar exactamente ese volumen de agua. Esto elimina el hábito crónico de riego excesivo que desperdicia agua sin aumentar la producción.

En el delta del Sacramento-San Joaquín, en California, los gestores de recursos hídricos están utilizando OpenET para ayudar a los agricultores a cumplir con las regulaciones estatales que exigen informes precisos sobre el uso del agua.

La alta precisión de los datos de evapotranspiración satelital para cultivos anuales proporciona una base legalmente defendible para la contabilidad del agua que ningún método terrestre podría ofrecer con tal cobertura espacial.

Un estudio de 2024 publicado en Agricultural Water Management (Ott et al., 2024; Desert Research Institute) evaluó OpenET comparándolo con datos de riego medido en cuencas de aguas subterráneas de Nevada.

En Diamond Valley, las estimaciones de OpenET mostraron solo un Diferencia de 7% con respecto a los datos de uso de agua medidos, demostrando la fiabilidad operativa para la gestión regulatoria de las aguas subterráneas.

Un margen de error de 7% a escala de cuenca significa que los datos de ET satelitales pueden sustituir la costosa infraestructura de medición en regiones donde el agua subterránea está críticamente agotada.

2. Sistemas de evaluación y alerta temprana de sequías

El monitoreo de la sequía es otra aplicación de alto impacto. Índice de estrés evaporativo (ESI), derivado de datos térmicos de ECOSTRESS y MODIS, mide la relación entre la ET real y la ET potencial.

Cuando el ESI cae significativamente por debajo de 1,0, indica que las plantas están experimentando estrés hídrico, un indicador temprano y fiable de sequía agrícola, que a menudo se puede detectar entre 4 y 8 semanas antes de que la pérdida de rendimiento de los cultivos sea cuantificable.

El Centro Nacional de Mitigación de la Sequía del USDA integra índices de sequía basados en la evapotranspiración satelital en mapas operativos de monitoreo de sequía utilizados por gobiernos estatales, agencias de seguros agrícolas y autoridades de gestión de emergencias. Esta integración permite una respuesta a la sequía más rápida y eficaz que los enfoques basados únicamente en el calendario o en la precipitación.

3. Gestión de los recursos hídricos a escala de cuenca

La contabilidad del agua a escala de cuenca requiere saber cuánta agua abandona la superficie terrestre como evapotranspiración (ET) en millones de hectáreas. Esto es precisamente lo que proporcionan a escala global los productos de ET satelitales como MOD16, GLEAM y WaPOR.

• Agencias de gestión de embalses Utilizar los datos de ET para estimar el rendimiento hídrico de la cuenca (la diferencia entre la precipitación y la ET), lo que determina cuánta agua llega realmente a los ríos y embalses.
• Autoridades de cuencas fluviales transfronterizas Aplicar la evapotranspiración satelital para verificar de forma independiente los informes nacionales sobre el uso del agua sin necesidad de acceder a las redes nacionales de datos terrestres.
• administradores de distritos de riego Utilizar la evapotranspiración (ET) para realizar un seguimiento del consumo de agua por tipo de cultivo en áreas de servicio completas, lo que permite una asignación equitativa del agua y el cumplimiento de la normativa.

4. Aplicaciones ambientales y ecológicas

El monitoreo de la evapotranspiración en humedales mediante datos satelitales cuantifica el uso del agua en ecosistemas de marismas, turberas y estuarios inaccesibles, donde no es posible instalar sensores terrestres. El monitoreo de la evapotranspiración forestal revela cómo la deforestación, la reforestación y los incendios forestales alteran el balance hídrico de cuencas hidrográficas enteras, datos cruciales para la contabilidad del carbono forestal y la planificación del suministro de agua.

La evapotranspiración es el hilo invisible que conecta a todas las plantas de la Tierra con el ciclo global del agua. La teledetección es la única herramienta de la que disponemos para observarla a la escala necesaria para la gestión del agua.

Evaluación de la precisión y validación de productos de ET satelitales

Ningún producto de ET es útil sin una validación rigurosa. El método estándar compara las estimaciones de ET obtenidas por satélite con las mediciones de las torres de flujo de covarianza de remolinos, que constituyen la referencia más precisa disponible para la ET a escala de paisaje.

El global FLUXNET La red proporciona datos de torres de flujo de acceso abierto de cientos de sitios en diversos biomas. Los desarrolladores de productos ET comparan los resultados de sus modelos con las mediciones de FLUXNET para calcular métricas de rendimiento estadístico, incluyendo

• R2 (coeficiente de correlación),
• RMSE (error cuadrático medio) y
• Sesgo (sobreestimación o subestimación sistemática).

La validación se realiza por separado para los diferentes tipos de cobertura terrestre, zonas climáticas y estaciones del año, ya que la precisión del modelo de ET varía sustancialmente en función de estas condiciones.

Los modelos de balance energético como SEBAL y METRIC suelen funcionar mejor en paisajes agrícolas semiáridos con cielos despejados. Su rendimiento disminuye en bosques tropicales húmedos, terrenos montañosos complejos y zonas con nubosidad frecuente.

El estudio de precisión de OpenET publicado en Nature Water comparó seis modelos de ET con mediciones de 152 emplazamientos de torres de medición de flujo En todo Estados Unidos, se constató que el conjunto de modelos OpenET logró el mejor rendimiento específicamente para los cultivos anuales en las regiones áridas del oeste, las áreas donde la gestión del riego es más importante desde el punto de vista económico y ecológico.

Los gestores del agua en las regiones áridas pueden utilizar los datos de OpenET con gran fiabilidad para el cumplimiento de las normas de riego y el seguimiento del presupuesto hídrico, sustituyendo así las costosas infraestructuras de medición.

Desafíos en la monitorización de ET mediante teledetección

A pesar de los rápidos avances, varios desafíos técnicos y operativos limitan la precisión y la aplicabilidad del monitoreo de la evapotranspiración basado en satélites.

1. Limitaciones de la nubosidad: La teledetección óptica y térmica requiere condiciones libres de nubes. En regiones tropicales húmedas o durante las temporadas de monzones, la nubosidad persistente puede generar lagunas de datos de semanas a meses, interrumpiendo la continuidad temporal que requiere la gestión del riego.

2. Restricciones de resolución espacial: MODIS, el satélite con mayor frecuencia de observación, proporciona datos de evapotranspiración con una resolución de 500 metros, demasiado baja para campos de menos de 25 hectáreas. La resolución de 30 metros de Landsat es adecuada para la mayoría de los campos agrícolas, pero tiene un ciclo de revisita de 16 días, lo que impide detectar cambios rápidos en el estrés hídrico.

3. Compromisos en cuanto a la resolución temporal: La alta resolución espacial (Landsat, Sentinel-2, ECOSTRESS) y la alta resolución temporal (MODIS, VIIRS) presentan una relación inversa. Para superar esta brecha se requieren técnicas de fusión de datos.

4. Supuestos del modelo en paisajes heterogéneos: Los modelos de balance energético de fuente única presuponen una cubierta vegetal uniforme, lo cual se desmorona en zonas de vegetación escasa, sistemas de cultivo mixtos o interfaces urbano-agrícolas donde las temperaturas del suelo y de las plantas divergen bruscamente.

5. Disponibilidad de datos en las regiones en desarrollo: Los datos de las estaciones meteorológicas terrestres necesarios para ajustar los modelos de evapotranspiración son escasos en gran parte del África subsahariana, el sur de Asia y Asia central, precisamente las regiones donde se necesita con mayor urgencia una mejor gestión del agua.

Tecnologías emergentes y futuro en la monitorización de ET

Diversos avances tecnológicos convergentes están a punto de ampliar drásticamente la precisión, la cobertura y la accesibilidad de la monitorización de la evapotranspiración mediante teledetección en los próximos cinco a diez años.

1. Inteligencia artificial, aprendizaje automático y fusión de datos

Los modelos de aprendizaje profundo entrenados con grandes conjuntos de datos multisensor están empezando a superar a los modelos clásicos de balance energético en ciertos paisajes. Las redes neuronales convolucionales pueden integrar simultáneamente datos de Landsat, Sentinel-2, MODIS y reanálisis meteorológico, aprendiendo patrones de evapotranspiración espacio-temporales que ningún modelo de un solo sensor puede capturar.

Mientras tanto, los algoritmos de fusión de datos —entre los que destaca el enfoque STARFM (Modelo de Fusión de Reflectancia Adaptativa Espacial y Temporal)— combinan imágenes Landsat de alta resolución con datos MODIS diarios para producir mapas sintéticos diarios de ET con una resolución de 30 metros, resolviendo así la disyuntiva espacio-temporal que actualmente limita las aplicaciones de la agricultura de precisión.

2. Satélites térmicos de alta resolución y constelaciones de CubeSat

La próxima generación de satélites térmicos dedicados a la observación de la Tierra proporcionará imágenes térmicas con una resolución inferior a 30 metros y una frecuencia de revisita diaria.

Las misiones planificadas, incluido el sucesor del Landsat Next y las constelaciones térmicas comerciales CubeSat, eliminarán la disyuntiva histórica entre detalle espacial y frecuencia temporal que ha limitado la monitorización de la evapotranspiración a escala de campo.

Tal y como se indica en el informe Future Market Insights (2025), se prevé que el mercado de servicios de teledetección, valorado en 22.870 millones de dólares en 2025, alcance los 84.280 millones de dólares en 2035, impulsado significativamente por la expansión de las constelaciones de satélites LEO.

3. Gemelos digitales para la gestión del agua

Los sistemas de gemelos digitales —réplicas virtuales dinámicas de paisajes agrícolas que se actualizan casi en tiempo real a partir de datos satelitales y de sensores IoT— integran la teledetección de la evapotranspiración (ET) como flujo de datos principal. Estos sistemas sincronizan mapas satelitales de ET, datos de sensores de humedad del suelo, pronósticos meteorológicos y modelos de crecimiento de cultivos para simular el estado hídrico futuro del campo y prescribir el riego automáticamente.

Software y herramientas para el monitoreo de ET

Actualmente, un amplio conjunto de plataformas hace que el análisis de ET mediante teledetección sea accesible a profesionales sin necesidad de tener amplios conocimientos de programación.

1. Google Earth Engine (GEE) GEE es una plataforma de computación geoespacial en la nube que alberga los archivos completos de Landsat, MODIS, Sentinel y ECOSTRESS, junto con algoritmos de evapotranspiración (ET) predefinidos. Los analistas pueden realizar cálculos de ET con datos de varios años para regiones enteras sin necesidad de descargar imágenes localmente. GEE se ha convertido en la plataforma de investigación dominante para el mapeo de ET en grandes áreas.

2. Plataforma OpenET Proporciona una interfaz web donde cualquier usuario registrado puede acceder a datos de evapotranspiración (ET) a escala de campo para tierras agrícolas en todo el oeste de Estados Unidos. Los usuarios pueden exportar resúmenes diarios, mensuales o estacionales de ET para campos individuales o distritos completos de gestión del agua, sin necesidad de conocimientos de programación.

3. Portal WaPOR La FAO proporciona una interfaz de descarga de ET similar, que permite usar un sistema de apuntar y hacer clic, para África y el Cercano Oriente, con enlaces directos a los indicadores de productividad del agua en la agricultura.

4. Flujos de trabajo con Python y R El uso de bibliotecas como rasterio, xarray, geopandas (Python) o terra, raster (R) permite a los investigadores crear flujos de trabajo personalizados para el procesamiento de la evapotranspiración que integran datos satelitales con registros meteorológicos locales, modelos de cultivos y bases de datos de riego.

Estudios de caso para el monitoreo de ET mediante teledetección

1. Gestión del riego en regiones áridas

En la región del acuífero de las Grandes Llanuras de Estados Unidos, una de las zonas agrícolas con mayor volumen de riego del planeta, investigadores del Instituto de Investigación del Desierto demostraron que los datos de OpenET integrados con conjuntos de datos climáticos podían estimar los volúmenes de bombeo de agua subterránea con la precisión suficiente para respaldar la gestión regulatoria del descenso de los niveles de los acuíferos.

El estudio comparó las estimaciones de ET satelitales con los registros de bombeo medidos, encontrando una desviación inferior a 17% en la mayoría de las cuencas estudiadas, un nivel de precisión suficiente para la administración de los derechos de agua.

2. Agricultura de precisión en diferentes tipos de cultivos

Se ha implementado la monitorización de la evapotranspiración mediante teledetección para la programación del riego del algodón, utilizando los modelos SEBAL y METRIC para mapear la evapotranspiración real en campos individuales durante la temporada de cultivo.

Estudios publicados en el Astrophysics Data System (2020) demostraron que ambos modelos detectaron una evapotranspiración real superior a la esperada durante las primeras etapas del cultivo debido a la alta evaporación del suelo desnudo, un hallazgo que el enfoque estándar del coeficiente de cultivo pasó por alto sistemáticamente, lo que provocó un riego excesivo en ese período crítico.

3. Contabilidad del agua a escala de cuenca hidrográfica

La plataforma WaPOR de la FAO se ha utilizado para realizar análisis de productividad del agua en sistemas de riego en Etiopía, Egipto y Jordania, cuantificando la evapotranspiración por unidad de biomasa de cultivo producida.

Estos análisis identificaron campos con una productividad hídrica inferior a la media de la cuenca, lo que proporciona la base de datos espacial para programas de extensión específicos destinados a mejorar la eficiencia del riego en zonas con bajo rendimiento.

Mejores prácticas para seleccionar un método de monitoreo de ET

La elección de la combinación adecuada de datos satelitales, modelo de evapotranspiración y estrategia de validación depende de la pregunta específica que se pretende responder, los recursos disponibles y el nivel de incertidumbre aceptable.

1. Defina primero la escala espacial y temporal. La contabilidad mensual del agua a escala de cuenca requiere una herramienta diferente a la de la programación diaria del riego a escala de campo. Antes de seleccionar cualquier modelo, ajuste la resolución y la frecuencia de revisita de la plataforma satelital a las necesidades de gestión.

2. Haga coincidir el modelo con el tipo de paisaje. Los modelos de balance energético como SEBAL y METRIC funcionan mejor en paisajes semiáridos, dominados por cultivos y con cielos despejados. Los modelos basados en índices de vegetación funcionan mejor en regiones con disponibilidad limitada de datos térmicos. Los modelos de aprendizaje automático funcionan mejor cuando se dispone de grandes conjuntos de datos de entrenamiento validados localmente.

3. Validar siempre localmente. Incluso el producto de evapotranspiración global más preciso debe validarse con al menos un conjunto de datos de torres de flujo o lisímetros locales antes de su implementación operativa. Las métricas de rendimiento de los estudios publicados rara vez se transfieren con exactitud a nuevas ubicaciones y tipos de cultivos.

4. Planifique para los periodos sin nubosidad. En regiones húmedas o tropicales, planifique estrategias de fusión de datos o de relleno de lagunas desde el principio. Depender de un solo satélite térmico con un ciclo de revisita de 16 días generará lagunas de datos inaceptables durante los períodos críticos del crecimiento de los cultivos.

5. Utilice plataformas abiertas siempre que sea posible. Google Earth Engine, OpenET y WaPOR ofrecen acceso gratuito a productos de evapotranspiración (ET) validados y bien documentados. Crear un modelo de ET personalizado desde cero rara vez se justifica, a menos que las condiciones locales específicas así lo requieran.

6. Integrar los datos de ET con los sistemas de gestión agrícola existentes. Los datos de ET son más valiosos cuando se integran directamente en el software de programación de riego, las herramientas de apoyo a la toma de decisiones o las bases de datos de contabilidad del agua, en lugar de existir como un dato satelital independiente.

Conclusión

La monitorización de la evapotranspiración mediante teledetección ha evolucionado de una disciplina de investigación experimental a una herramienta operativa fundamental para la gestión del agua en la agricultura. La combinación de productos satelitales de ET cada vez más precisos, plataformas de acceso abierto como OpenET y WaPOR, y la fusión de datos mediante inteligencia artificial está eliminando las barreras que antes limitaban la monitorización satelital de la ET a instituciones de investigación con amplios recursos.

Las capacidades actuales son sustanciales: modelos de balance energético validados en más de 30 países, productos de evapotranspiración satelital con una precisión estacional superior al 90% para los principales cultivos anuales, y plataformas en la nube que proporcionan datos de evapotranspiración a escala de campo a cualquier agricultor o gestor de recursos hídricos con conexión a internet. Estas capacidades ya se utilizan para gestionar el cumplimiento de las normas de riego en el río Colorado, para monitorear el agotamiento de las aguas subterráneas en el acuífero de las Grandes Llanuras y para mejorar la productividad del agua agrícola en África a través del sistema WaPOR de la FAO.

El arroz alimenta a más de 3500 millones de personas en todo el mundo; sin embargo, según la actualización del atlas mundial del arroz de 2024 del Instituto Internacional de Investigación del Arroz (IRRI), menos de 601 TP3T de las zonas arroceras cuentan con mapas de cultivo precisos y actualizados. La cartografía de los patrones de cultivo y los tipos de cultivo de arroz mediante teledetección está reduciendo rápidamente esta brecha al proporcionar datos espacialmente precisos y temporalmente consistentes a escalas que ningún estudio de campo puede igualar.

Desde la identificación de tierras bajas de doble cultivo con riego en el delta del Mekong en Vietnam hasta la detección de campos de secano de una sola temporada en el África subsahariana, los sistemas basados en satélites y radares proporcionan ahora la información que los agricultores, los gobiernos y las agencias de seguridad alimentaria necesitan para planificar con confianza. A medida que la inteligencia artificial y la computación en la nube aceleran el procesamiento de datos, se prevé que la monitorización del arroz en tiempo casi real se convierta en el estándar mundial para 2027.

Por qué el arroz es importante y por qué su control es difícil.

1. La producción de arroz y la ecuación de la seguridad alimentaria mundial

El arroz es el principal alimento básico calórico para más de la mitad de la población mundial, y su importancia va mucho más allá de la nutrición individual. La producción mundial de arroz alcanzó aproximadamente 520 millones de toneladas métricas de arroz molido en 2024, Según datos de la FAO, Asia representa casi 901 TP3T de esa producción.

Cualquier interrupción significativa en el suministro de arroz, ya sea por sequía, inundación, plagas o fallos en las políticas, desencadena rápidas fluctuaciones en los precios de los alimentos que afectan de manera desproporcionada a los hogares más pobres del mundo.

Mantener la seguridad alimentaria a esta escala exige más que simplemente producir suficiente arroz. Requiere saber con precisión dónde se cultiva, cuántas veces al año se cosecha cada campo y qué prácticas agrícolas se utilizan. Los gobiernos necesitan estos datos para asignar infraestructura de riego, subvencionar insumos y crear reservas de emergencia.

El problema radica en que el arroz se cultiva en paisajes extraordinariamente fragmentados, que van desde las laderas aterrazadas de Filipinas hasta las vastas llanuras irrigadas de China, lo que hace que los estudios convencionales campo por campo sean logística y financieramente inviables a escala nacional o regional.

2. La necesidad de un monitoreo sistemático de los patrones de cultivo del arroz.

Los patrones de cultivo de arroz, es decir, el número de temporadas de cultivo al año y su distribución en el territorio, cambian constantemente. La variabilidad climática acorta los periodos de cultivo en algunas regiones, mientras que los amplía en otras. Los factores económicos impulsan a los agricultores a pasar de un solo cultivo a dos cuando la disponibilidad de agua y los precios del mercado coinciden.

Sin un monitoreo sistemático, los planificadores trabajan con datos censales que pueden tener cinco años o más de antigüedad, lo que conlleva una asignación deficiente crónica de agua, subsidios para fertilizantes y crédito rural. La teledetección ofrece una solución a esta deficiencia de monitoreo al proporcionar observaciones consistentes y repetibles en países enteros en cuestión de días.

En lugar de depender de los informes de los propios agricultores o de las encuestas realizadas por encuestadores, los sistemas basados en satélites observan directamente el paisaje, registrando cómo cambian los arrozales debido a las inundaciones, los trasplantes, el crecimiento vegetativo y la cosecha en cada estación del año.

3. ¿Qué aporta la teledetección a la cartografía agrícola?

La teledetección es la ciencia que permite obtener información sobre objetos o áreas a distancia, generalmente mediante sensores instalados en satélites, aeronaves o vehículos aéreos no tripulados (VANT). En el ámbito agrícola, los sensores miden la energía reflejada o emitida por los cultivos, el suelo y el agua en diversas longitudes de onda del espectro electromagnético.

Debido a que los distintos tipos de cobertura del suelo reflejan la energía de manera diferente en las distintas etapas de crecimiento, las imágenes satelitales pueden distinguir un campo de arroz de un campo de maíz, y una parcela de arroz trasplantado inundada de una de siembra directa en seco, con una precisión que aumenta a medida que mejora la tecnología de los sensores. El mapeo del patrón de cultivo de arroz y el tipo de cultivo mediante teledetección persigue cuatro objetivos interconectados.

• En primer lugar, genera inventarios espacialmente explícitos de los lugares donde se cultiva arroz a escalas temporales estacionales y anuales.
• En segundo lugar, clasifica cuántos ciclos de cultivo se producen por año en cada área cartografiada, distinguiendo entre sistemas de cultivo simple, doble y triple.
• En tercer lugar, identifica las prácticas culturales utilizadas, como por ejemplo si un campo se trasplanta o se siembra directamente, o si la gestión del agua es controlada o depende de la lluvia.
• En cuarto lugar, genera datos de referencia que se utilizan para la previsión de la producción, la gestión del agua, la planificación de la adaptación al cambio climático y los sistemas de agricultura de precisión.

Comprensión de los sistemas de cultivo de arroz y los tipos culturales

1. Qué significa realmente un patrón de cultivo de arroz

Un patrón de cultivo de arroz describe la organización temporal del cultivo de arroz dentro de un año calendario en un lugar determinado. No solo registra si se cultiva arroz, sino también con qué frecuencia, cuándo comienza y termina cada temporada, y qué cultivo, si lo hay, se siembra antes o después del arroz en el mismo campo. Mapear estos patrones en una región proporciona a los planificadores una visión dinámica de la intensidad del uso de la tierra y la demanda de recursos que una sola instantánea jamás podría ofrecer.

2. Sistemas de monocultivo de arroz

En los sistemas de monocultivo, los agricultores cultivan arroz una sola temporada al año, generalmente coincidiendo con la temporada de lluvias monzónicas o con un único ciclo de riego controlado. Estos sistemas predominan en regiones donde la disponibilidad de agua, la mano de obra o el clima limitan la posibilidad de una segunda temporada.

Los sistemas de monocultivo tienden a tener períodos de crecimiento más largos por temporada, a menudo con variedades tradicionales o mejoradas de larga duración, y dependen en gran medida de la lluvia, lo que los hace muy sensibles al momento y la distribución de las precipitaciones.

3. Sistemas de doble cosecha de arroz

Los sistemas de doble cultivo producen dos cosechas de arroz al año en el mismo campo. Son más comunes en el sudeste y sur de Asia, incluyendo el delta del río Rojo en Vietnam, las llanuras aluviales de Bangladesh y los distritos de regadío del Punjab indio.

El intervalo de tiempo entre las dos estaciones es corto, a menudo inferior a 30 días, por lo que la identificación de áreas de doble cultivo a partir de datos satelitales requiere observaciones densas de series temporales para detectar dos ciclos fenológicos completos dentro de un solo año.

4. Sistemas de triple cultivo de arroz

El triple cultivo, con tres cosechas de arroz al año, se practica en zonas limitadas donde la disponibilidad de agua y la temperatura se mantienen favorables durante todo el año. El delta del Mekong, en el sur de Vietnam, y algunas zonas de la provincia de Guangdong, en el sur de China, son ejemplos de sistemas de triple cultivo.

Si bien los sistemas de triple cultivo maximizan la intensidad del uso de la tierra, presentan importantes desafíos en cuanto a la fertilidad del suelo y el manejo de plagas. La identificación remota de estos campos es técnicamente compleja, ya que los cortos periodos de barbecho entre cultivos comprimen las señales fenológicas en intervalos muy reducidos.

5. Cultivo de arroz de secano

El arroz de secano, cultivado exclusivamente con agua de lluvia sin riego artificial, representa aproximadamente 451 TP3T de la superficie total arrocera mundial, según el Instituto Internacional de Investigación del Arroz (IRRI). Es el sistema predominante en el África subsahariana, las zonas montañosas del sur y sureste de Asia y las llanuras aluviales dependientes de la lluvia.

Los sistemas de cultivo de secano son muy vulnerables a la variabilidad de las precipitaciones, lo que se traduce en fluctuaciones de rendimiento de entre 30 y 50 TP3T entre años húmedos y secos en algunas regiones. Desde la perspectiva de la teledetección, el arroz de secano es más difícil de cartografiar porque la señal de inundación es más débil e irregular que en los campos de regadío gestionados.

6. Cultivo de arroz de regadío

Los sistemas de arroz de regadío reciben agua a través de canales, bombas o embalses gestionados, lo que permite a los agricultores controlar con gran precisión los tiempos de siembra y cosecha. Actualmente, el arroz de regadío ocupa solo unas 551 TP3T de la superficie mundial cultivada, pero contribuye con 751 TP3T de la producción total de arroz, lo que refleja la ventaja en rendimiento que supone la seguridad hídrica.

La inundación deliberada de los arrozales de regadío crea una señal de retrodispersión de radar fuerte y constante que los sensores satelitales detectan de forma fiable, lo que convierte al arroz de regadío en uno de los tipos de cultivos mejor cartografiados del mundo.

7. Sistemas de cultivo de arroz en tierras altas y bajas.

El arroz de secano se cultiva en suelos no inundados y bien drenados, a menudo en laderas o terrazas de Asia y África. Dado que estos campos nunca se inundan intencionadamente, carecen de la señal hídrica que permite identificar el arroz de secano mediante radar, lo que obliga a los investigadores a basarse únicamente en los patrones espectrales de la vegetación.

En cambio, el arroz de tierras bajas se cultiva en campos llanos o poco profundos, donde el agua se acumula de forma natural o mediante riego. Los sistemas de cultivo de tierras bajas predominan en las regiones arroceras de Asia y son el objetivo principal de la mayoría de los proyectos de cartografía a gran escala.

El contraste morfológico entre los campos de tierras altas y bajas, incluyendo la forma del campo, la posición topográfica y la estructura del dosel, proporciona pistas espaciales complementarias que el análisis de imágenes basado en objetos puede aprovechar eficazmente.

8. Arroz de siembra directa frente a arroz trasplantado

El arroz trasplantado consiste en cultivar las plántulas en un vivero durante 25 a 30 días, para luego trasladarlas manual o mecánicamente al campo principal. El arroz de siembra directa, en cambio, consiste en esparcir o sembrar las semillas directamente en el campo preparado, sin pasar por un vivero.

Estos dos métodos producen patrones temporales notablemente diferentes en los datos satelitales: los campos trasplantados muestran un reverdecimiento rápido y sincronizado aproximadamente tres semanas después de la inundación, mientras que los campos sembrados directamente presentan un desarrollo más gradual de la cubierta vegetal desde el día de la siembra. Esta diferencia fenológica, sutil pero real, se puede detectar mediante un análisis cuidadoso de las series temporales de los índices de vegetación.

Herramientas y tecnologías de teledetección para el mapeo del arroz

1. Principio físico de la teledetección

Cada planta refleja, absorbe y transmite la radiación solar siguiendo patrones determinados por la bioquímica de sus hojas, la estructura de su follaje y su contenido de agua. Las hojas verdes absorben fuertemente la luz roja para la fotosíntesis, mientras que reflejan una gran parte de la energía infrarroja cercana (NIR). Los suelos inundados, por el contrario, absorben casi toda la radiación incidente.

Estas respuestas contrastantes crean firmas espectrales predecibles que los sensores de los satélites pueden registrar con una sincronización constante, lo que permite a los analistas realizar un seguimiento del estado de los cultivos, la etapa de crecimiento y las decisiones de gestión a nivel de campo sin necesidad de visitar el terreno.

2. Teledetección óptica

Los sensores ópticos detectan la radiación solar reflejada, produciendo imágenes que se asemejan mucho a lo que el ojo humano vería si se extendiera a longitudes de onda infrarrojas. Tres plataformas ópticas predominan en la investigación sobre el mapeo del arroz.

Landsat (una serie de satélites operados por la NASA y el USGS desde 1972) proporciona imágenes con una resolución espacial de 30 metros y un ciclo de revisita de 16 días. Su extenso archivo temporal lo hace indispensable para estudios sobre los cambios en la superficie cultivada de arroz a lo largo de décadas. Sin embargo, la repetición de 16 días implica que algunos eventos fenológicos dentro de una corta temporada de cultivo pueden pasar desapercibidos entre observaciones.

Centinela-2 Sentinel-2 (operado por la Agencia Espacial Europea, lanzado en 2015 y 2017 como una constelación de satélites gemelos) mejora a Landsat con una resolución de 10 a 20 metros y un ciclo de revisita de 5 días en el ecuador. Estas dos mejoras permiten una delimitación de campos más precisa y un mejor muestreo fenológico, y la mayoría de los estudios recientes de mapeo de arroz de alta precisión, incluidos los publicados en el ISPRS Journal of Photogrammetry and Remote Sensing en 2024, utilizan Sentinel-2 como fuente principal de datos ópticos.

MODIS El espectrorradiómetro de imágenes de resolución moderada (MODIS), a bordo de los satélites Terra y Aqua de la NASA, ofrece una resolución de entre 250 y 500 metros con capacidad de revisita diaria. Si bien su resolución es demasiado baja para el mapeo de campos individuales, MODIS sigue siendo valioso para las evaluaciones de intensidad de cultivos a escala nacional y continental, donde la densidad temporal es menos importante que la resolución espacial.

3. Teledetección por radar

Radar de apertura sintética (SAR) El radar de apertura sintética (SAR) es una tecnología basada en radar que transmite pulsos de microondas hacia la superficie terrestre y mide la energía que se dispersa de vuelta al sensor. A diferencia de los sensores ópticos, el SAR funciona independientemente de la nubosidad y la iluminación solar, lo que significa que adquiere datos con la misma eficacia tanto en una noche nublada de monzón como en un día despejado de la estación seca.

Esta propiedad es de vital importancia para el mapeo del arroz en el Asia tropical, donde los sensores ópticos pierden habitualmente semanas de la temporada de cultivo debido a la obstrucción de las nubes.

Centinela-1 La ESA transmite energía de microondas en banda C (longitud de onda aproximada de 5,6 cm) y proporciona datos SAR globales gratuitos con una resolución de 10 metros y un ciclo de repetición de 6 a 12 días. Los arrozales interactúan con las señales SAR de una manera particular:

• Los campos inundados actúan como un espejo casi perfecto, reflejando la mayor parte de la energía del radar lejos del sensor (produciendo valores bajos de retrodispersión), mientras que
• A medida que aumenta la densidad de las plantas y la superficie foliar, el follaje de los arrozales, en constante crecimiento, dispersa cada vez más energía de vuelta hacia el sensor.

Esta trayectoria de retrodispersión a lo largo del tiempo, baja durante las inundaciones y el trasplante, en aumento durante las etapas vegetativas y en descenso nuevamente después de la floración, forma una firma fenológica de radar única para el arroz.

Nguyen et al. (Remote Sensing of Environment, 2023) encontraron que la clasificación de series temporales SAR de Sentinel-1 logró 92,3% precisión general en el mapeo de las temporadas de cultivo de arroz en tres provincias del delta del Mekong de Vietnam, incluidas las áreas de triple cultivo donde no se disponía de datos ópticos durante más de 60% del período de crecimiento debido a la nubosidad.

En las regiones tropicales productoras de arroz, los métodos basados en SAR no son simplemente una alternativa a la detección óptica, sino que a menudo son la única opción fiable para la elaboración de mapas estacionales durante los meses del monzón.

4. Integración de datos multisensor

Ningún sensor por sí solo ofrece la combinación ideal de detalle espacial, densidad temporal y penetración de nubes. Por lo tanto, los sistemas de mapeo de arroz más precisos integran múltiples tipos de sensores dentro de un único marco analítico.

Una arquitectura común combina los datos SAR de Sentinel-1 para el seguimiento temporal en condiciones libres de nubes con los datos ópticos de Sentinel-2 para obtener información sobre la riqueza espectral durante los períodos despejados, y utiliza MODIS como un punto de referencia de baja resolución para la detección de patrones fenológicos a escala regional.

Cuando estos flujos de datos se fusionan algorítmicamente, el conjunto de datos combinado puede determinar los límites de los cultivos, detectar las fechas de trasplante y asignar clasificaciones de tipo cultural con un nivel de certeza que ningún sensor individual logra por sí solo.

Identificación de patrones de cultivo de arroz a partir de datos satelitales

1. Indicadores temporales de las etapas de crecimiento del arroz

El arroz atraviesa una secuencia bien definida de etapas de crecimiento: preparación del terreno e inundación, trasplante o siembra, ahijamiento (desarrollo de múltiples tallos a partir de una sola planta), iniciación de la panícula, espigado (aparición de la inflorescencia que contiene el grano) y cosecha.

Cada etapa produce un cambio medible en las características ópticas y de radar del campo. Los analistas utilizan estas señales específicas de cada etapa, capturadas como series temporales de índices espectrales o retrodispersión SAR, para reconstruir qué sucedió en cada campo y cuándo, sin ningún conocimiento previo por parte del agricultor.

2. Mapeo del arroz basado en la fenología

Mapeo basado en la fenología (utilizando la sincronización de eventos biológicos para clasificar cultivos) es el enfoque dominante para la detección de arroz en grandes extensiones. El método funciona ajustando curvas matemáticas a datos de series temporales y luego identificando campos donde el patrón temporal coincide con la curva característica de crecimiento del arroz. Las fechas clave de eventos extraídas de este proceso de ajuste incluyen:

• el inicio de la temporada de crecimiento (que normalmente se identifica por un fuerte aumento en los valores del índice de vegetación después de las inundaciones),
• el pico de la temporada de crecimiento (índice máximo de área foliar) y
• el final de la temporada (rápido descenso en la cosecha).

El número de ciclos de este tipo detectados en un año natural determina directamente si un campo se clasifica como de cosecha simple, doble o triple.

3. Evaluación de la intensidad de cultivo

La intensidad de cultivo, es decir, el número de temporadas de cultivo completadas por año en una unidad de tierra, es uno de los resultados más relevantes para la formulación de políticas en el mapeo de patrones de cultivo de arroz. Un método sencillo pero eficaz calcula la frecuencia con la que aparece un pico espectral o de retrodispersión característico del arroz en la serie temporal anual de un píxel.

Al combinarse con filtros espaciales para eliminar detecciones erróneas causadas por humedales, masas de agua o inundaciones estacionales, estos recuentos cíclicos producen mapas de arroz de una, dos y tres cosechas que pueden validarse comparándolos con estudios de campo y estadísticas regionales.

4. Mapeo de la distribución estacional y anual del arroz

Los mapas estacionales (un mapa por temporada de cultivo al año) no solo muestran dónde se cultiva el arroz, sino también cuándo crece en cada lugar. La recopilación anual de estos mapas revela el calendario de cultivo completo de una región, incluyendo la distribución espacial del arroz de temporada temprana frente al de temporada tardía, lo que tiene implicaciones directas para la planificación del riego, el control de plagas y la logística de la cosecha.

5. Detección de rotaciones de cultivos que incluyen arroz.

En muchos sistemas arroceros asiáticos, los agricultores alternan el cultivo de arroz con trigo, hortalizas, legumbres o periodos de barbecho en el mismo campo a lo largo de sucesivas temporadas. La teledetección detecta estas rotaciones analizando la serie temporal anual completa, en lugar de una sola temporada de forma aislada.

Un campo clasificado como arroz en la estación húmeda pero como trigo en la estación seca presenta un patrón temporal distintivo de dos picos en los datos del índice de vegetación, cuyas características espectrales identifican el tipo de cultivo correspondiente. La elaboración de mapas de estas rotaciones es importante para la evaluación de la salud del suelo, la modelización de la demanda de riego y los programas de diversificación de ingresos.

Cómo GeoPard impulsa el mapeo de los patrones de cultivo de arroz

La elaboración de mapas de los patrones de cultivo de arroz exige una observación continua y multifuente a lo largo de toda la temporada de cultivo, y eso es precisamente lo que ofrece GeoPard. Al combinar imágenes de Landsat-8, Sentinel-2 y Planet en una única plataforma, GeoPard monitoriza los campos cada dos días con una resolución de hasta 3 metros, lo que garantiza que eventos cruciales para el cultivo del arroz, como las inundaciones previas al trasplante, el reverdecimiento de las plántulas y la cosecha, nunca se pierdan debido a la falta de nubes.

La fusión multisensorial de la plataforma ha demostrado una mejora en la precisión del 4% con respecto a los enfoques de un solo sensor, lo que agudiza directamente la separación entre los sistemas de cultivo de arroz de una, dos y tres cosechas.

Para la identificación del tipo cultural, el conjunto de índices de vegetación de GeoPard, que incluye NDWI para la detección de inundaciones superficiales, EVI2 para la cronología de la biomasa del dosel y LAI para la densidad del dosel, captura la biografía espectral que separa el arroz trasplantado de regadío de los sistemas de secano o de siembra directa.

En los días nublados del monzón, cuando las imágenes ópticas fallan por completo, la capa de datos de radar integrada de GeoPard mantiene el seguimiento de la vegetación sin interrupciones, leyendo el valle de retrodispersión SAR que es la señal definitiva de un arrozal inundado en el momento del trasplante.

La herramienta Comparar capas permite a los agrónomos colocar hasta cuatro capas de datos sincronizadas una al lado de la otra, lo que facilita la diferenciación de los tipos de cultivo de arroz mediante la comparación de las señales de inundación del NDWI con las tendencias de la vegetación de varios años y los mapas de productividad del suelo.

Con el respaldo de más de 30 años de imágenes satelitales, la plataforma revela patrones de intensidad de cultivo a largo plazo a nivel de campo. Estos datos se integran directamente en mapas de aplicación de dosis variable para fertilizantes, semillas y protección de cultivos, transformando los mapas de tipos de cultivo de arroz en recomendaciones de manejo concretas a nivel de campo.

Mapeo de tipos culturales de arroz mediante teledetección

1. Características espectrales de diferentes prácticas culturales

El tipo cultural, es decir, la combinación específica de prácticas de manejo aplicadas a un arrozal, determina la evolución temporal de la firma espectral de dicho campo. Por ejemplo, el arroz trasplantado en suelo inundado comienza la temporada con una respuesta óptica dominada por el agua (baja reflectancia en todas las bandas visibles), seguida de un cambio abrupto a medida que se establece el follaje de las plántulas.

El arroz sembrado directamente en un lecho de siembra no inundado muestra un aumento más gradual de la señal de vegetación desde el inicio de la germinación, sin el período de inundación inicial que detectan fácilmente tanto los sensores ópticos como los de radar de apertura sintética (SAR).

2. Distinción entre arroz de regadío y arroz de secano

Los arrozales de regadío y los de secano difieren en dos aspectos observables: el momento y la regularidad de las inundaciones, y la consistencia de su fenología estacional. Los arrozales de regadío tienden a inundarse según lo previsto, presentan menor variabilidad interanual en las fechas de trasplante y mantienen una densidad de follaje constante gracias a una gestión controlada del agua.

Los campos de secano muestran una mayor variabilidad temporal entre años, pueden experimentar estrés hídrico a mitad de temporada, detectable como descensos anómalos en los valores del índice de vegetación, y a veces no logran completar una temporada de crecimiento completa durante los años de sequía.

El análisis de series temporales de varios años captura esta estructura de variabilidad, lo que permite que los algoritmos de clasificación separen las áreas de regadío de las de secano con una precisión que normalmente supera los 85% en sistemas bien calibrados.

3. Mapeo del arroz trasplantado y de siembra directa

El indicador más fiable para distinguir el arroz trasplantado del arroz de siembra directa en los datos SAR es el momento y la duración del período inicial de inundación con baja retrodispersión.

Los campos de arroz trasplantados se inundan durante 2 a 4 semanas antes de que se transfieran las plántulas, lo que crea un período prolongado sin cobertura de radar al comienzo de la temporada.

En los campos sembrados directamente, no se observa ningún período de inundación (siembra en seco) o este es muy breve (siembra en húmedo), y el aumento de la retrodispersión se produce antes con respecto a la fecha de siembra y presenta una pendiente estructuralmente diferente. Estas características temporales pueden extraerse automáticamente mediante algoritmos aplicados a series temporales densas de SAR.

4. Detección de prácticas de gestión mediante teledetección

Más allá del método de trasplante y el régimen hídrico, la teledetección puede detectar ciertas prácticas de gestión del agua, como el riego y secado alternos (AWD, por sus siglas en inglés), una técnica utilizada para reducir las emisiones de metano y el consumo de agua mediante el drenaje intermitente de los arrozales.

Los campos con riego intermitente (AWD) muestran patrones de retrodispersión SAR oscilantes durante el período vegetativo, lo que refleja ciclos repetidos de inundación y drenaje, mientras que los campos inundados continuamente presentan una trayectoria de retrodispersión más estable. Esta capacidad es particularmente valiosa para monitorear la adopción de prácticas de cultivo de arroz climáticamente inteligentes en los inventarios nacionales de gases de efecto invernadero.

5. Indicadores de gestión del agua en los arrozales

La detección de la superficie del agua mediante radar de apertura sintética (SAR) es altamente sensible, capaz de identificar agua estancada a tan solo unos centímetros bajo el follaje del arroz. Esta sensibilidad permite a los analistas mapear el estado de inundación campo por campo en momentos clave de la temporada de cultivo, lo que facilita la planificación del riego y la evaluación temprana de los daños causados por las inundaciones.

Cuando se apilan temporalmente mapas de la superficie del agua de diferentes fechas, se obtiene una huella dinámica de la gestión del agua para cada campo, que sirve como un insumo de gran valor para los modelos de clasificación de tipos culturales.

Técnicas y métodos: De los índices al aprendizaje profundo

1. Índices de vegetación para el monitoreo del arroz

Los índices de vegetación son combinaciones matemáticas de valores de reflectancia en diferentes longitudes de onda, diseñadas para amplificar la señal de la biomasa y la salud de las plantas, a la vez que reducen el ruido proveniente del suelo, los efectos atmosféricos y la geometría de la iluminación. Tres índices son fundamentales para el mapeo de cultivos de arroz.

i. NDVI (Índice de Vegetación de Diferencia Normalizada) Se calcula como (NIR – Rojo) / (NIR + Rojo) y es el índice más utilizado en el monitoreo del arroz. Registra el verdor del dosel desde el establecimiento de la plántula hasta la senescencia, con valores que suelen aumentar desde casi cero en el momento del trasplante hasta 0,6-0,8 en el pico de crecimiento vegetativo.

ii. EVI (Índice de Vegetación Mejorado) Corrige los efectos de los aerosoles atmosféricos y el ruido de fondo del suelo de forma más eficaz que el NDVI, lo que lo hace preferible en entornos con alta concentración de aerosoles, como durante las temporadas de quema de biomasa, comunes en el Asia tropical.

iii. LSWI (Índice de Agua en la Superficie Terrestre) Incorpora la reflectancia infrarroja de onda corta para detectar el contenido de agua tanto en el follaje de las plantas como en la superficie del suelo, lo que la hace altamente sensible a los eventos de inundación que caracterizan el cultivo de arroz en tierras bajas y proporciona una señal robusta para detectar el inicio de la temporada de crecimiento.

2. Análisis de series temporales

Una sola imagen satelital captura el estado de un arrozal en un momento dado, pero la historia de un arrozal se escribe en la secuencia de esos momentos. El análisis de series temporales combina numerosas observaciones, generalmente una imagen cada 5 a 16 días durante todo un año, y extrae métricas temporales como la fecha de inicio de la temporada, el pico del NDVI, la tasa de reverdecimiento y la fecha de cosecha.

Estas métricas describen en conjunto el comportamiento fenológico completo del campo y son mucho más útiles para la identificación del tipo de cultivo que cualquier observación puntual. Los métodos estadísticos, como la regresión armónica y la alineación temporal dinámica (DTW), se utilizan habitualmente para alinear y comparar series temporales de datos entre diferentes años y regiones.

3. Aprendizaje automático para la clasificación del arroz

El aprendizaje automático ha transformado la escala y la precisión del mapeo de patrones de cultivo de arroz al automatizar la identificación de relaciones complejas y no lineales entre los datos espectro-temporales y las condiciones del campo.

i. Bosque aleatorio (RF) Es un método de conjunto que construye cientos de árboles de decisión independientes, cada uno entrenado con un subconjunto aleatorio de características, y agrega sus votos para una clasificación final. Es robusto ante datos de entrenamiento ruidosos, maneja espacios de características de alta dimensión de manera eficiente y proporciona puntuaciones de importancia variable que ayudan a los analistas a comprender qué características temporales o espectrales impulsan las decisiones de clasificación.

ii. Máquina de vectores de soporte (SVM) Encuentra el límite de separación óptimo entre clases en un espacio de características de alta dimensión. La máquina de vectores de soporte (SVM) funciona bien cuando los datos de entrenamiento son limitados, lo que la hace útil en regiones con escasez de datos donde la recopilación de datos de referencia es costosa.

iii. Aprendizaje profundo, Las redes neuronales convolucionales (CNN) y recurrentes (RNN), como las arquitecturas de memoria a largo y corto plazo (LSTM), pueden aprender simultáneamente patrones espaciales dentro de imágenes individuales y patrones temporales en secuencias de imágenes. Los clasificadores basados en LSTM aplicados a series temporales satelitales han alcanzado una precisión de vanguardia en tareas de mapeo de arroz, y varios estudios reportan precisiones generales superiores a 90% a escalas regionales.

Xiao et al. (International Journal of Applied Earth Observation and Geoinformation, 2025) demostraron que un modelo de aprendizaje profundo LSTM entrenado con datos de series temporales fusionadas de Sentinel-1 y Sentinel-2 mapeó tipos de cultivo de arroz en tres países del sur de Asia con una precisión general de 91,7% y un coeficiente kappa de 0,89, superando a Random Forest en 6,4 puntos porcentuales bajo las mismas condiciones de datos de entrenamiento.

Para la elaboración de mapas de tipos de cultivo de arroz en grandes extensiones donde es posible recopilar datos de entrenamiento, los clasificadores de aprendizaje profundo basados en LSTM son actualmente el método de referencia y deberían ser la opción predeterminada para los nuevos programas nacionales de cartografía.

4. Análisis de imágenes basado en objetos (OBIA)

Análisis de imágenes basado en objetos (OBIA) Funciona agrupando píxeles vecinos con características espectrales y espaciales similares en objetos (segmentos) antes de clasificarlos, en lugar de clasificar cada píxel de forma independiente.

En la cartografía del arroz, el OBIA resulta valioso porque puede incorporar la forma, la textura y el contexto a la clasificación, distinguiendo un arrozal de una masa de agua de color similar basándose en la geometría rectangular regular del arrozal.

OBIA es especialmente eficaz con una resolución espacial muy alta, como los datos de satélites comerciales con una resolución de 1 a 5 metros o las imágenes de vehículos aéreos no tripulados (UAV).

5. Técnicas de detección de cambios

La detección de cambios identifica áreas donde el uso de la tierra ha variado entre dos o más fechas. En el monitoreo de los sistemas arroceros, la detección de cambios cumple dos propósitos: rastrear la expansión o contracción anual del área arrocera en respuesta a factores climáticos o económicos, e identificar cambios a mitad de temporada, como la pérdida de cosechas, el abandono o las inundaciones inesperadas.

La detección de cambios bitemporales (comparando directamente dos fechas) es sencilla, pero vulnerable a las diferencias fenológicas entre años. La detección de cambios multitemporales a través de conjuntos anuales completos es más robusta y permite diferenciar los cambios reales en el uso del suelo de la variación fenológica estacional.

Evaluación y validación de la precisión

1. Recopilación de datos de referencia

Cada producto de mapeo de arroz requiere validación con observaciones de campo recopiladas de forma independiente. Los datos de referencia suelen incluir visitas de campo con referencia GPS, donde observadores capacitados registran el tipo de cultivo, la etapa de crecimiento, el estado de manejo del agua y el método de establecimiento en una muestra estadísticamente representativa de ubicaciones. Estas observaciones se recopilan para que coincidan temporalmente con las adquisiciones satelitales y se excluyen del entrenamiento del modelo, utilizándose exclusivamente para la evaluación de la precisión.

2. Métricas de precisión de clasificación

Para aplicaciones específicas del arroz, la puntuación F1, que equilibra la precisión del productor y del usuario para cada clase, se informa cada vez más junto con Kappa como un resumen de rendimiento numérico único más informativo. Las métricas estándar para evaluar la precisión del mapa incluyen:

• precisión general (el porcentaje de todos los puntos de validación clasificados correctamente),
• precisión del productor (la probabilidad de que un campo de una clase verdadera dada se asigne correctamente, análogo a la exhaustividad),
• la precisión del usuario (la probabilidad de que un campo asignado a una clase determinada sea realmente de esa clase, análoga a la precisión), y
• el coeficiente Kappa (una medida de concordancia corregida para la concordancia aleatoria, donde los valores superiores a 0,80 indican una fuerte concordancia).

3. Validación de los mapas de patrones de cultivo y tipos culturales.

La validación de los mapas de patrones de cultivo requiere datos de campo multitemporales, con visitas de campo en múltiples puntos a lo largo del calendario de cultivo para confirmar cuántas temporadas se cosecharon realmente por año en cada sitio de validación.

La validación del tipo cultural, que permite distinguir entre plantas trasplantadas y sembradas directamente, o entre plantas de regadío y de secano, es más exigente porque estas distinciones no siempre son visualmente obvias en el campo y requieren entrevistas con los agricultores o la observación directa de las actividades de manejo durante períodos críticos de la temporada de cultivo.

Las estadísticas agrícolas nacionales, aunque a menudo se agregan a nivel provincial o distrital, proporcionan una capa adicional de validación para las estimaciones de superficie, lo que permite contrastar los totales de los mapas con las cifras oficiales publicadas.

Aplicaciones en todo el sistema agrícola

1. Planificación y desarrollo de políticas agrícolas

Los mapas de patrones de cultivo de arroz obtenidos mediante teledetección proporcionan a los ministerios de agricultura la resolución espacial necesaria para diseñar intervenciones específicas. Las regiones identificadas como de secano con monocultivo pueden priorizarse para el desarrollo de sistemas de riego a pequeña escala; las zonas de triple cultivo con rendimientos decrecientes pueden investigarse para detectar degradación del suelo o agotamiento de las aguas subterráneas.

2. Estimación de la producción de arroz

La combinación de mapas de superficie cultivada de arroz obtenidos mediante teledetección con modelos de estimación de rendimiento, como simulaciones del crecimiento de los cultivos basadas en datos meteorológicos, permite generar pronósticos de producción subnacionales y nacionales semanas o meses antes de la cosecha.

Tanto el panel de seguridad alimentaria del Banco Asiático de Desarrollo como el Sistema Mundial de Información y Alerta Temprana (GIEWS) de la FAO incorporan datos sobre la superficie cultivada de arroz obtenidos por satélite para generar estimaciones de producción previas a la cosecha, con una precisión demostrada superior a la de los métodos basados en encuestas.

3. Gestión de los recursos hídricos

El cultivo de arroz de regadío es el mayor consumidor de agua dulce en Asia, representando aproximadamente 401 TP3T del total de extracciones de agua para la agricultura en países como India y Bangladesh.

El resultado más valioso de la cartografía satelital del arroz no es el mapa en sí, sino la decisión que permite tomar: construir un canal, cerrar un pozo o redirigir un subsidio.

Conocer con precisión dónde se cultiva el arroz de regadío, cuántas temporadas se riega y qué campos utilizan prácticas eficientes de gestión del agua, como el riego intermitente, contribuye directamente a la planificación de las cuencas hidrográficas, la programación del funcionamiento de los embalses y las evaluaciones de la sostenibilidad de las aguas subterráneas.

4. Seguimiento de la seguridad alimentaria

Los sistemas de alerta temprana para la inseguridad alimentaria dependen de la detección rápida de las malas cosechas. Cuando las zonas arroceras no completan un ciclo de crecimiento completo, el monitoreo satelital detecta la anomalía como un pico fenológico ausente o truncado dentro del período estacional previsto. La red FEWS NET (Red de Sistemas de Alerta Temprana contra la Hambruna), con el apoyo de USAID, utiliza datos satelitales de vegetación, incluido el monitoreo específico del arroz, para generar alertas de seguridad alimentaria en Asia y África.

5. Evaluación del impacto del cambio climático

Los archivos históricos de mapas de patrones de cultivo de arroz, que abarcan 20 años o más de datos Landsat, revelan cómo las áreas de cultivo, las temporadas y los rendimientos del arroz han variado en respuesta a los cambios en los regímenes de temperatura y precipitación. Estos mapas de tendencias históricas proporcionan evidencia empírica de los impactos del cambio climático en los sistemas arroceros y sirven como datos de entrada para proyectar el riesgo agrícola futuro bajo diferentes escenarios de calentamiento.

7. Aplicaciones de la agricultura de precisión

A escala de explotación agrícola, el mapeo del tipo de cultivo de arroz mediante drones, combinado con datos de suelo y agua a nivel de campo, facilita la toma de decisiones de manejo de precisión, como la aplicación de fertilizantes a tasa variable, el monitoreo de plagas en sitios específicos y la optimización de la fecha de siembra. Estas aplicaciones están madurando rápidamente en Japón, Corea del Sur y algunas zonas de China, donde el cultivo de arroz está altamente mecanizado y existe infraestructura de datos para vincular los resultados de la teledetección con los sistemas de gestión agrícola.

Desafíos y limitaciones que restringen el mapeo del arroz

1. Nubosidad y disponibilidad de datos

La persistente nubosidad durante la temporada del monzón, cuando se cultiva gran parte del arroz de Asia, limita considerablemente el número de observaciones ópticas utilizables. En algunas zonas, la contaminación por nubes reduce las observaciones disponibles de Sentinel-2 durante el período crítico de trasplante y crecimiento vegetativo temprano a menos de dos al mes. Los datos SAR mitigan este problema, pero no lo eliminan, ya que las fuertes lluvias pueden saturar temporalmente la señal del radar.

2. Píxeles mixtos y tamaños de campo pequeños

En regiones donde los arrozales son más pequeños que la resolución espacial del sensor, un solo píxel captura una mezcla de cobertura vegetal de arroz y otros tipos de suelo, lo que dificulta la clasificación. Los sistemas de arroz de secano en terrenos montañosos y los arrozales a pequeña escala en algunas zonas de Indonesia y Filipinas suelen generar píxeles mixtos incluso con la resolución de 10 metros de Sentinel-2, lo que limita el uso de métodos basados en píxeles en estos entornos.

3. Similitud espectral y temporal entre tipos de cultivos

Algunos cultivos, en particular la caña de azúcar, el yute y ciertos pastizales, presentan curvas fenológicas similares a las del arroz en las series temporales de NDVI o EVI, lo que genera confusión en la clasificación. La detección de inundaciones mediante SAR reduce esta confusión en el caso del arroz de tierras bajas, pero los sistemas de arroz de tierras altas sin arrozales inundados siguen siendo difíciles de diferenciar de cultivos espectralmente similares sin datos de campo adicionales o información geográfica complementaria.

4. Restricciones de resolución temporal

La elaboración de mapas de patrones de cultivo de arroz y tipos de cultivo mediante teledetección requiere un muestreo temporal denso, idealmente con al menos una observación cada 8-10 días durante toda la temporada de cultivo. Cuando la nubosidad o las interrupciones en la órbita de los satélites reducen esta densidad temporal, las variedades de arroz de ciclo corto o las temporadas de triple cultivo de ciclo rápido pueden pasar completamente desapercibidas para los algoritmos de detección automatizados.

5. Limitaciones de los datos de campo

La obtención de datos de capacitación etiquetados de alta calidad, que incluyan observaciones de campo vinculadas a tipos de cultivos y prácticas de manejo conocidos, sigue siendo costosa y logísticamente compleja a la escala necesaria para capacitar y validar los sistemas nacionales de cartografía. En muchos países productores de arroz de bajos ingresos, la capacidad humana y financiera para la recopilación sistemática de datos sobre el terreno constituye la principal limitación para la mejora de la precisión cartográfica.

Tendencias emergentes y el futuro del monitoreo del arroz

1. Monitoreo de arroz mediante vehículos aéreos no tripulados y drones.

Los vehículos aéreos no tripulados (VANT) equipados con sensores multiespectrales y térmicos ahora proporcionan imágenes con resolución centimétrica de explotaciones agrícolas individuales, lo que permite distinguir los límites de los campos, las hileras de cultivos e incluso el estado de salud de cada planta. Los VANT actúan como un puente entre la cartografía satelital y la observación individual de las plantas, proporcionando los datos de referencia de ultra alta resolución necesarios para entrenar y validar modelos basados en satélites en entornos de paisaje fragmentado.

2. Inteligencia artificial y aprendizaje profundo para la clasificación del arroz

Las redes neuronales convolucionales aplicadas a series temporales de imágenes satelitales, combinadas con arquitecturas transformadoras adaptadas del procesamiento del lenguaje natural, están logrando actualmente las mayores precisiones de clasificación de arroz jamás registradas.

El marco PRISM (Sistema de identificación de cultivos de arroz basado en la fenología que utiliza datos de múltiples fuentes), publicado por investigadores de la Universidad de Wageningen en 2024, demostró que el aprendizaje autosupervisado en archivos satelitales sin etiquetar podía preentrenar modelos de clasificación de arroz que requerían solo una cantidad mínima de datos terrestres etiquetados para el ajuste fino, lo que reducía drásticamente la carga de trabajo de campo.

3. Sistemas de monitoreo de arroz en tiempo casi real

Los sistemas operativos de monitoreo de arroz en tiempo casi real procesan automáticamente los datos satelitales entrantes, actualizan los mapas de arroz a intervalos de 10 a 16 días y envían alertas sobre fechas de siembra, eventos de estrés hídrico y momentos de cosecha directamente a los paneles de control gubernamentales o aplicaciones móviles utilizadas por los agricultores y los agentes de extensión.

Tanto el Departamento de Arroz de Tailandia como el Ministerio de Agricultura de Vietnam operan sistemas prototipo de este tipo, y el Instituto Internacional de Investigación del Arroz está apoyando el desarrollo de capacidades similares en Bangladesh y Camboya.

4. Integración de datos satelitales y de IoT

Los sensores del Internet de las Cosas (IoT) desplegados en los arrozales, que miden la humedad del suelo, el nivel del agua, la temperatura y el microclima de la cubierta vegetal, generan observaciones continuas a nivel del suelo que complementan y calibran los datos de teledetección por satélite.

Cuando se combinan las redes de sensores de IoT y las observaciones satelitales en marcos de fusión de datos, el sistema de monitoreo resultante puede detectar el estrés hídrico, el inicio de inundaciones y la presión de enfermedades con mayor confianza y con un tiempo de anticipación mayor que el que proporciona cualquiera de las fuentes por separado.

5. Agricultura digital y agricultura inteligente

La convergencia del mapeo satelital del arroz, la detección mediante IoT y el apoyo a la toma de decisiones impulsado por IA está creando las bases de la agricultura inteligente del arroz, donde las decisiones de gestión, desde el momento del riego hasta la aplicación de fertilizantes, se basan en flujos de datos espacialmente explícitos y casi en tiempo real, en lugar de reglas generales basadas en calendarios.

Los programas piloto en la prefectura de Niigata en Japón y en la provincia de Heilongjiang en China han demostrado que la gestión de precisión del arroz informada por la teledetección puede reducir los costos de los insumos en 15-25% Al tiempo que se mantienen o mejoran los rendimientos, según los informes preliminares de los ensayos de campo de 2024.

Conclusión

La cartografía de los patrones de cultivo y los tipos de cultivo de arroz mediante teledetección ha evolucionado de una disciplina de investigación académica a una herramienta operativa utilizada por gobiernos, agencias internacionales y plataformas agrotecnológicas en Asia y otras regiones. Los enfoques multisensor de series temporales, que combinan datos ópticos y SAR, procesados mediante clasificadores de aprendizaje automático y aprendizaje profundo, generan habitualmente mapas de superficie arrocera a escala nacional con una precisión general superior al 85-901 TP3T. Estos mapas no solo determinan dónde se cultiva el arroz, sino también con qué frecuencia, bajo qué régimen hídrico y mediante qué método de siembra.

Ir más allá del simple mapeo de áreas arroceras y llegar a la clasificación de tipos culturales es lo que transforma un producto de cobertura terrestre en un activo de inteligencia agrícola. Saber que una región ha pasado del cultivo de arroz trasplantado al de siembra directa en una década indica cambios en el mercado laboral y agotamiento de los acuíferos simultáneamente. Conocer qué áreas de secano son más vulnerables a las sequías tempranas, identificadas por sus patrones espectrales temporales, permite una respuesta preposicionada ante la sequía en lugar de una ayuda reactiva en caso de desastre. La teledetección hace posible este nivel de inteligencia espacial a una fracción del costo de programas equivalentes de levantamiento topográfico.

La papa es uno de los cultivos alimentarios más importantes del mundo, y constituye un alimento básico para millones de personas. En primer lugar, conocer el crecimiento de las plantas de papa y poder predecir su rendimiento ayuda a los agricultores a gestionar de forma más eficaz el riego, la fertilización y el control de plagas.

En segundo lugar, las empresas procesadoras de alimentos y las instalaciones de almacenamiento pueden planificar mejor la logística y la mano de obra cuando disponen de estimaciones de rendimiento fiables. Sin embargo, los métodos tradicionales, como recorrer físicamente los campos y medir las plantas a mano, consumen mucho tiempo y son propensos a errores humanos.

Por lo tanto, los científicos han recurrido a la teledetección, que utiliza cámaras y sensores en satélites, drones o dispositivos portátiles, para monitorear el crecimiento de la papa y pronosticar el rendimiento de manera más rápida y precisa.

Comprender las previsiones de rendimiento de la papa

En las últimas dos décadas, el interés por aplicar la teledetección a la investigación sobre la papa ha crecido sustancialmente. De hecho, una revisión sistemática identificó 79 estudios publicados entre 2000 y 2022 sobre este tema, de un total de 482 artículos inicialmente analizados.

Para garantizar la transparencia y la reproducibilidad, los autores siguieron las directrices establecidas (Kitchenham y Charters 2007; marco PRISMA), realizando búsquedas en ocho bases de datos principales: Google Scholar, ScienceDirect, Scopus, Web of Science, IEEE Xplore, MDPI, Taylor & Francis y SpringerLink, utilizando términos como "predicción del rendimiento de la patata" Y "teledetección".“

En consecuencia, solo se incluyeron investigaciones originales en inglés que utilizaron datos de teledetección para el monitoreo del crecimiento o la estimación del rendimiento. Además, los datos de cada artículo seleccionado se extrajeron de acuerdo con cuatro preguntas clave:

• ¿Qué plataforma de detección se utilizó (satélite, UAV o terrestre)?
• ¿Qué índices de vegetación o características espectrales se evaluaron?
• ¿Qué características del cultivo se monitorizaron (biomasa, superficie foliar, clorofila, nitrógeno)?
• ¿Con qué precisión se podría predecir el rendimiento final de los tubérculos (coeficiente de determinación, R²)?

Estas preguntas ayudaron a los revisores a trazar un mapa del estado actual de la técnica e identificar las lagunas en las que podría centrarse la investigación futura.

Plataformas de teledetección e índices de vegetación

Los investigadores han empleado tres tipos principales de plataformas de teledetección, cada una con sus propias ventajas y limitaciones. En primer lugar, los satélites ópticos como Sentinel-2 (resolución espacial de 10 m, revisita de 5 días) y Landsat 5-8 (30 m, revisita de 16 días) ofrecen una amplia cobertura y, a menudo, acceso gratuito a los datos.

En segundo lugar, satélites como MODIS/TERRA/Aqua (250–1000 m, revisita diaria a cada 2 días) y sistemas comerciales como PlanetScope (3 m, diario, con un coste aproximado de $218 por 100 km²) permiten una monitorización más frecuente o de mayor resolución, aunque los costes pueden ser un factor a tener en cuenta.

En tercer lugar, los vehículos aéreos no tripulados (VANT) equipados con cámaras multiespectrales o hiperespectrales ofrecen una resolución muy alta (hasta unos pocos centímetros por píxel) y pueden volar bajo demanda, pero cubren áreas más pequeñas y requieren una logística más compleja.

Por último, los sensores terrestres, como los medidores NDVI portátiles y los medidores de clorofila SPAD, proporcionan mediciones puntuales de gran precisión, aunque su uso en grandes extensiones de terreno requiere mucho tiempo.

Los índices de vegetación (IV) transforman los valores brutos de reflectancia en estimaciones significativas de las características de las plantas. Los índices más comunes en los estudios de papa incluyen:

• NDVI (Índice de Vegetación de Diferencia Normalizada): (NIR – Rojo) / (NIR + Rojo)
• GNDVI (NDVI verde): (NIR – Verde) / (NIR + Verde)
• NDRE (Diferencia Normalizada del Borde Rojo): (NIR – Borde Rojo) / (NIR + Borde Rojo)
• OSAVI (Índice de Vegetación Optimizado Ajustado al Suelo): 1,16 × (NIR – Rojo) / (NIR + Rojo + 0,16)
• EVI (Índice de Vegetación Mejorado), CIred-edge, CIgreen y más. .

Estos índices se seleccionan en función de su sensibilidad a la cobertura vegetal, el contenido de clorofila y las características del suelo. Por consiguiente, sirven de base para estimar la salud de las plantas y predecir el rendimiento.

Seguimiento del crecimiento de la papa y predicción del rendimiento

Mediante la teledetección, los investigadores monitorean características clave del cultivo de papa —biomasa aérea (AGB), índice de área foliar (LAI), contenido de clorofila del dosel (CCC) y estado del nitrógeno en las hojas— y luego las relacionan con el rendimiento final de los tubérculos.

En primer lugar, estimar la biomasa aérea utilizando únicamente índices de vegetación puede resultar complicado cuando la cobertura del dosel es densa, ya que muchos índices se saturan; por lo tanto, combinar los índices de vegetación con la altura de las plantas o las características de la textura en los modelos de aprendizaje automático suele mejorar la precisión.

En segundo lugar, la evaluación del LAI (área foliar total unilateral por área de suelo) ha logrado valores de R² de hasta 0,84 mediante el uso de datos de series temporales procedentes de sensores hiperespectrales de UAV y sensores multiespectrales satelitales.

En tercer lugar, las estimaciones de CCC, derivadas de índices como CIred-edge, CIgreen, TCARI/OSAVI y TCARI + OSAVI, alcanzaron R² ≈ 0,85 durante la etapa vegetativa, lo que indica una fuerte correlación con la clorofila medida en laboratorio.

Por último, el estado del nitrógeno foliar, vital para un crecimiento saludable, se predijo con un R² que osciló entre 0,52 y 0,95 al utilizar sensores terrestres junto con modelos de regresión o de bosques aleatorios.

En lo que respecta a la predicción del rendimiento de los tubérculos, destacan dos enfoques de modelización principales:

Modelos de regresión empírica: En este caso, se ajusta un único índice de vegetación (generalmente NDVI, GNDVI o NDRE) a los datos reales de rendimiento. Los valores de R² reportados para NDVI vs. rendimiento varían de 0,23 a 0,84 (mediana ≈ 0,67), mientras que las correlaciones NDRE-rendimiento varían de 0,12 a 0,85 (mediana ≈ 0,61).

Modelos de aprendizaje automático: Estos incluyen bosques aleatorios, máquinas de vectores de soporte y redes neuronales que combinan múltiples índices de vegetación, bandas espectrales y factores no espectrales como el clima, el suelo y la gestión. Dichos modelos han elevado el R² hasta 0,93 en algunos estudios.

Además, el momento de la toma de datos influye considerablemente en la precisión de la predicción. En diversos estudios, las mediciones de VI tomadas entre los 36 y 55 días después de la siembra (DDS) mostraron las correlaciones más altas con el rendimiento final de tubérculos.

Esta etapa coincide con la máxima cobertura del suelo y el inicio de la formación de tubérculos, lo que hace que la estructura de la planta sea el indicador más fiable del rendimiento final. Algunas de las estadísticas clave encontradas son:

• De los 482 estudios identificados, 79 (2000-2022) cumplieron los criterios de revisión.
• Áreas de enfoque: predicción de rendimiento (37 %), estado de N de las hojas (21 %), AGB (15 %), LAI (15 %), CCC (12 %).
• Plataformas satelitales más utilizadas: Sentinel-2, Landsat, MODIS; comercial: PlanetScope.
• Rangos de R²: NDVI–rendimiento (0,23–0,84), NDRE–rendimiento (0,12–0,85), GNDVI–rendimiento (0,26–0,75).

Recomendaciones para la predicción del rendimiento de la papa

En función de estos hallazgos, los profesionales deben seleccionar primero la plataforma adecuada para sus objetivos. Para las previsiones de rendimiento regional, los datos gratuitos de Sentinel-2 proporcionan una cobertura fiable con una resolución de 10 m y un intervalo de revisita de 5 días.

Para refinar las estimaciones locales, los vuelos de UAV programados entre 36 y 55 días después de la siembra permiten capturar la dinámica crítica del dosel y mejorar la calibración de los modelos satelitales. Los sensores terrestres son ideales para realizar verificaciones puntuales y calibrar observaciones remotas, especialmente al combinar datos espectrales con mediciones de campo.

En lo que respecta a los índices de vegetación, los profesionales deberían priorizar el NDVI, el NDRE y el CI _red-edge para predecir el rendimiento final, ya que estos muestran consistentemente fuertes correlaciones.

Para estimar el contenido de clorofila y nitrógeno, la combinación de índices de borde rojo con índices de vegetación ajustados al suelo —como TCARI/OSAVI— proporciona los resultados más precisos. Para la estimación de biomasa, la integración de índices de vegetación con características de altura o textura de las plantas mediante modelos de aprendizaje automático mejora aún más la precisión.

En cuanto al modelado, las regresiones lineales o no lineales simples que utilizan un solo índice son efectivas cuando los datos de referencia son limitados. Sin embargo, cuando se dispone de múltiples índices y datos auxiliares (clima, suelo, manejo), los métodos de aprendizaje automático, como los bosques aleatorios o las redes neuronales, ofrecen un rendimiento superior. Es importante destacar que la toma de imágenes entre los 36 y 55 días posteriores a la siembra es crucial, ya que este período proporciona consistentemente la mayor precisión de predicción.

Conclusión

En conclusión, la teledetección ofrece un conjunto de herramientas rápido, flexible y preciso para monitorear el crecimiento de la papa y predecir el rendimiento de los tubérculos. Al elegir la plataforma adecuada, seleccionar los índices de vegetación más informativos, programar la recolección de datos entre los 36 y 55 días después de la siembra y aplicar técnicas de modelado apropiadas, investigadores y profesionales pueden mejorar significativamente las predicciones de rendimiento.

Este enfoque no solo ahorra tiempo, sino que también favorece la toma de decisiones de gestión más inteligentes, lo que en última instancia beneficia a los agricultores, agrónomos y a toda la cadena de suministro de la patata.

Referencia: Mukiibi, A., Machakaire, ATB, Franke, AC. y otros. Revisión sistemática de índices de vegetación para el seguimiento del crecimiento de la papa y la predicción del rendimiento de los tubérculos mediante teledetección. Reserva de papa. 68, 409–448 (2025). https://doi.org/10.1007/s11540-024-09748-7