Los índices de vegetación obtenidos mediante teledetección transforman la previsión del rendimiento de la papa.

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