Mapeo de los patrones de cultivo de arroz y los tipos culturales mediante teledetección.

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.