Programa del congreso

La plaga conocida como Cotonet de les Valls (Delotococcus aberiae) en la provincia de Castellón (España) está causando graves pérdidas económicas en el sector agrario español, especialmente en los cítricos. El programa europeo Copernicus ha facilitado el desarrollo de numerosas herramientas de monitoreo agrícola mediante la explotación de la teledetección. En este contexto, el presente trabajo se basa en comprender cómo se comporta la reflectividad en función del nivel de infección de los árboles mediante el análisis de los datos de evolución temporal de Sen2Like. Este estudio se ha llevado a cabo en el entorno de la Vall d'Uixó (Castellón, España) mediante el análisis, durante los años 2017-2022, de aproximadamente 25 ha distribuidas en diversas parcelas de naranjos afectadas por el cotonet con diferentes índices de incidencia, los cuales clasificaron las parcelas como sanas o enfermas en la temporada 2020-2021. En primer lugar, se ha estudiado la relación entre el nivel de afección del cotonet y el Índice de Diferencia Normalizada de Vegetación (NDVI) y otras bandas ópticas (RED, NIR, SWIR, derivadas de Sen2Like). Con el objetivo de reducir la estacionalidad observada y centrar en análisis en la tendencia temporal se han planteado regresiones lineales mensuales por grupo de parcelas y por rango espectral. Los resultados muestran que los datos de teledetección pueden ser útiles para controlar la plaga del cotonet de manera oportuna, objetiva y rentable. Se ha observado que es posible diferenciar las parcelas afectadas de las sanas a lo largo del año utilizando ciertos rangos espectrales, destacando el SWIR, que ha permitido separabilidad a lo largo de la segunda mitad del año. Este trabajo contribuye al desarrollo de nuevas herramientas de seguimiento para una acción eficiente y sostenible en la lucha contra los enemigos naturales.

El estrés hídrico de las plantas causado por la sequía afecta a la capacidad de las cubiertas vegetales para interceptar la radiación solar, reduciendo así la tasa de crecimiento de la vegetación. Habitualmente, se emplea el índice SPEI (Standardised Precipitation-Evapotranspiration Index) fundamentado en datos climáticos, para identificar el comienzo, la extensión y la intensidad de periodos de sequía en comparación con las condiciones habituales. En este trabajo se estudia la correlación que existe entre este índice SPEI y la anomalía del FAPAR (Fraction of Absorbed Photosynthetically Active Radiation) en la región de Extremadura en un periodo muy prolongado de sequía. Los resultados muestran unos valores elevados del coeficiente de correlación de Pearson durante el año 2005, cuando la sequía fue más acusada. El estudio se ha realizado por tipos de vegetación, siendo los pastos y los bosques de frondosas de hoja perenne los que mayor correlación obtuvieron entre ambos índices. La utilización de la anomalía de FAPAR en vez del índice FAPAR en sí, mejoró en cuanto a semejanza de distribuciones de valores de ambos índices en las categorías de vegetación estudiadas. Por tanto, la anomalía del FAPAR, incluida como indicador en el Observatorio Europeo de la Sequía (EDO) de Copernicus, se puede utilizar para detectar y vigilar los efectos de la sequía agrícola en el crecimiento y la productividad de la vegetación.

Nextland es una tienda online de referencia para organizaciones con conocimientos tecnológicos al servicio de la agricultura y la silvicultura, y se trata de una tienda en línea que aporta valor comercial al ser: ventanilla única para proveedores de servicios de valor añadido y usuarios finales, y en ella podrán encontrar servicios de teledetección únicos o combinados para sus necesidades específicas. Se trata de servicios de Teledetección que ofrecen información actualizada a través de 15 servicios personalizables, y que facilitan los procesos empresariales desde las ofertas de proveedores de servicios (por ejemplo, proveedores de servicios de valor añadido, consultores) hacia los usuarios finales con conocimientos tecnológicos (por ejemplo, grandes empresas agrícolas y forestales con capacidad de I+D, asociaciones de interfaz e instituciones públicas).

Los servicios incorporados son: índices de vegetación; clasificación del tipo de cultivo; contenido de agua de la vegetación; producción de biomasa; fenología de los cultivos; detección precoz de estrés y anomalías; índices de salud de los árboles evapotranspiración potencial y real; necesidades hídricas de los cultivos; detección de cambios - deforestación; área quemada por incendios forestales; densidad y estadísticas forestales; clasificación forestal; humedad del suelo.

El codiseño de estos servicios y de sus canales de prestación se enmarca en nueve escenarios, definidos junto con los diferentes usuarios y alineados con sus actividades operativas: 1 - Agricultura: a) Mejora de la monitorización de cultivos y predicción de rendimientos; b) Apoyo al riego; c) Optimización de la planificación de cultivos; d) Detección temprana de estrés / anomalías; 2 - Silvicultura: a) Detección de talas; b) Apoyo al inventario forestal; c) Evaluación del impacto y riesgo de incendios; d) Salud forestal; e) Gestión forestal.

: El arroz es fundamental para la seguridad alimentaria en el mundo. A nivel europeo, España contribuye significativamente, representando el 10,55% de la superficie cultivada en el continente. Para hacer frente a los retos de sostenibilidad y producción, el control de los inputs y eficiencia del manejo agronómico es esencial. Por ello, este estudio se centra en analizar la respuesta de las dos variedades de arroz JSendra y Argila, a diferentes dosis de abonado nitrogenado: 160, 180, 200 UF y 140, 190, 230 UF respectivamente. El área de estudio se divide en bloques al azar de 5000 m2 cada uno, con una extensión total de 6 ha. Se han utilizado datos de teledetección (Sentinel-2) para obtener diferentes índices (NDVI, RVI) y relaciones NIR-NDVI, y estudiar así la evolución del cultivo. Además, se realizó un muestreo a los 45 días después de la siembra, para medir parámetros agronómicos (índice de área foliar, concentración de nitrógeno y nitrógeno absorbido) y analizar el efecto sobre el rendimiento estimado y real. Tras el análisis de los datos obtenidos, se observó que, a partir de los 60 días, los valores de los índices presentaron diferencias y fueron más elevados en las parcelas con mayor dosis de N. Los datos de teledetección validan que las dosis más bajas conducen a rendimientos menores en ambas variedades, sugiriendo que, para JSendra, la dosis óptima se encuentra entre 180 y 200 UF, mientras que, para Argila, la dosis óptima sería 190 UF.

Ante la necesidad cada vez más evidente de incrementar las producciones agrícolas para satisfacer las necesidades alimentarias a nivel mundial y, las demandas gubernamentales para reducir las actividades que contaminan el medioambiente, se propone el uso de Azotobacter chroococcum como medida para incrementar la eficiencia del uso de nitrógeno y aumentar la producción de trigo mientras se cumplen las restricciones gubernamentales aprobadas para limitar el uso de nitrógeno en agricultura. Para ello, se seleccionaron dos parcelas de trigo en el municipio de Mahamud (Burgos) y se trataron con las bacterias. Con objeto de monitorear la respuesta productiva de los distintos tratamientos, se combinó el uso de la Teledetección (Sentinel-2) con datos de rendimiento real obtenidos a partir de un sistema Yield Track de John Deere instalado en la cosechadora y los rendimientos potenciales de cada parcela, predichos a partir de un modelo predictivo a fecha de 01/05/2023. Tras analizar los resultados productivos y la evolución de los índices de vegetación NDVI y RVI, y de los valores de reflectancia en las bandas del NIR y rojo, se concluyó que ambas parcelas se vieron sometidas a un estrés abiótico a mediados del ciclo de cultivo, que limitó su crecimiento y su rendimiento final, constándose, únicamente, un efecto positivo de las bacterias fijadoras de N en la respuesta productiva del trigo en la parcela 2. La mayor reflectancia y los valores más elevados de los índices de vegetación alcanzados en la parcela 2, y su correlación positiva con el crecimiento de las plantas, propició una respuesta positiva en términos de productividad cuando se aplicaron las bacterias fijadoras de N.

La monitorización del cultivo del arroz es esencial, la teledetección, se ha consolidado como una disciplina necesaria para la mejora de los sistemas de seguimiento. La fecha de recolección y la superficie cosechada son factores muy importantes en el manejo agronómico. De este modo, el objetivo de este trabajo es analizar la influencia de los valores de reflectancia de Sentinel-2 en la estimación del día de la cosecha y la superficie cosechada. La zona estudiada se ha situado en Valencia, donde 6 variedades de arroz, repartidas en 203 parcelas (304 ha) han sido analizadas. Los datos de partida fueron la fecha de cosecha, el rendimiento y la reflectancia en las bandas visible y NIR en tres fechas consideradas críticas (salida de panícula, inicio de cosecha y mitad cosecha). Los resultados han mostrado una importante influencia de la variedad sobre la fecha de cosecha y el rendimiento. Las diferencias han sido también constatadas en el estudio de las bandas; las variedades más tempranas mostraron una reflectancia en la banda del rojo considerablemente superior al resto, indicando un descenso en los niveles de clorofila. Por su parte, la reflectancia en la región NIR no mostró un comportamiento tan evidente, si bien, estos valores fueron relevantes en la interpretación del comportamiento agronómico de las variedades, infiriendo sobre su adaptación al medio y las oportunidades de mejora que se plantearían. Los valores de reflectancia en la banda rojo y NIR posibilitarían la identificación de las parcelas cosechadas, mediante un modelo lineal entre ambas. Finalmente, el índice NDVI se presentaría como un parámetro válido para la monitorización. Con todo ello, la integración de la información derivada de la teledetección permitiría el seguimiento de la fecha de recolección en el cultivo y, además, la evaluación de esta fecha en relación con el comportamiento de cada variedad.

El Campo de Cartagena, Región de Murcia, ubicado en el sureste de la Península Ibérica, se extiende como una llanura inclinada de unos 1600 km2. Actúa como cuenca vertiente del Mar Menor, siendo clave para actividades socioeconómicas como el turismo y la agricultura. Dada su condición de cuenca vertiente del Mar Menor (135 km2), los acontecimientos en esta región ejercen una influencia directa sobre este espacio protegido de valor ambiental, que cuenta con 21 hábitats de interés comunitario. De este punto, proviene la importancia de monitorizar los fenómenos que se producen en dicha área, para entender las dinámicas que allí se producen. La detección de invernaderos mediante imágenes es una herramienta esencial para la gestión hídrica y la planificación territorial en el área ya que la gran superficie de invernaderos afecta a los umbrales de escorrentía en dicha zona. Este trabajo proporciona una herramienta precisa para estimar la distribución de invernaderos, ofreciendo beneficios para los responsables en la toma de decisiones en los ámbitos agrícola, hidrológico y medioambiental. La metodología empleada toma como base la ortofoto de máxima actualidad del Plan Nacional de Ortofotografía Aérea. La aplicación desarrollada está basada en librerías libres y de código abierto, implementada sin emplear ningún software de terceros, emplea la red neuronal convolucional U-Net para identificar cubiertas de tipo invernadero en la zona. Con un dataset de tamaño reducido, 1.962 imágenes de 256x256 píxeles, con una distribución del 75% para entrenamiento y el 25% para test, se obtiene un IoU del 94%. En la metodología planteada se genera un mosaico mediante la unión de las predicciones de tamaño 256x256. Con este trabajo se ha podido comprobar como la combinación de ortoimágenes de muy alta resolución y redes neuronales convolucionales forman una herramienta útil para la detección de estructuras agrarias, como los invernaderos.

El monitoreo del estado hídrico de la viña es vital para una gestión sostenible , pero desafiante debido a las condiciones edáficas heterogéneas dentro de la parcela (diferentes tipos de suelo, propiedades hidráulicas del suelo, pendientes, ...). En este estudio, hemos examinado un viñedocon una gran variabilidad edáficaa lo largo de la línea de pendiente máxima, según indicaron los índices fisiológicos de las plantas (en particular, el Índice de Vegetación de Diferencia Normalizada). Durante el verano excepcionalmente seco de 2022, el seguimiento de dos puntos, sintuados en las zonas de mayor y menor elevación respectivamente, indicó diferentes tasas de transpiración, superando la evapotranspiración potencial (ETp). Es por ello que se plantea la hipótesis de que un modelo de balance de energía ayudaría a estimar y dividir la relación ET/ETp. Además, demostramos cómo los vuelos de UAV, equipados con LIDAR y sensores térmicos, proporcionaron valiosas entradas para el modelo y mejoraron la interpretación del conjuntos de datos de referencia en el terreno.

El arroz es una de las principales fuentes de alimentación de muchos países. Los fertilizantes y pesticidas se utilizan habitualmente en el cultivo del arroz para mantener un rendimiento óptimo y proteger a las plantas de enfermedades y malas hierbas. Sin embargo, el uso excesivo de fertilizantes y pesticidas tiene efectos adversos sobre el medio ambiente y la salud humana, lo que ha llevado a regular el uso de nitrógeno en la agricultura para minimizar el impacto sobre la calidad del agua. Las tecnologías de observación de la Tierra (OT) pueden ayudar a mitigar los efectos adversos de una agricultura altamente productiva. Sin embargo, esta tecnología está aún lejos de ser útil para los agricultores. DETECTORYZA es un proyecto financiado por la Agencia Valenciana de Innovació (AVI) cuyo principal objetivo es proporcionar soluciones a dos grandes problemas del cultivo de arroz que la OT puede ayudar a mitigar: detección temprana de las primeras fases del hongo Pyricularia oryzae, el cual constituye una de las principales causas de la pérdida de rendimiento en el arroz; y optimización del uso de fertilizantes, para garantizar la sostenibilidad medioambiental. En este trabajo resumimos los resultados preliminares obtenidos en la campaña de campo desarrollada en Valencia (España) durante la temporada de verano de 2023.

La transformación del sector oleícola está experimentando una notable transición hacia sistemas de producción más intensivos. Los sistemas de plantación tradicionales, caracterizados por marcos con amplios inter-espaciados entre árboles, están siendo modificados hacia configuraciones más intensivas, reduciendo la separación entre copas. En la actualidad, se carece de una metodología eficaz para la clasificación de las explotaciones de olivar en función del sistema de plantación que presenten. En el contexto de la creciente preeminencia de los algoritmos de Deep Learning (DL), se ha llevado a cabo una evaluación de la eficacia en la determinación del sistema de plantación a escala parcela. Concretamente, se implementó el algoritmo InceptionV3, para la clasificación de ortoimágenes con distintas resoluciones espaciales. En este marco, se emplearon ortomosaicos proporcionadas por el Plan Nacional de Ortofotografía Aérea con una resolución de 0.5 m y 0.25 m, actuando como imágenes de entrada para el algoritmo con el propósito de identificar la resolución espacial óptima de trabajo. Los resultados más sobresalientes en términos de precisión se alcanzaron con una resolución de 0.5 m, logrando valores de 90%, 83%, 87% y 97% para la clasificación de los sistemas de plantación tradicional, intensivo, alta-densidad y superintensivo respectivamente. Estos resultados evidencian que la aplicación de algoritmos de DL constituye un enfoque ágil y confiable para la clasificación de los sistemas de plantación en el olivar. Estos resultados permiten avanzar en investigaciones más complejas, como el consumo de recursos hídricos por parte del olivar en el presente y futuro.

En el contexto de la sostenibilidad agrícola, la comprensión detallada del estado de crecimiento de los cultivos es esencial para la toma de decisiones informadas en su gestión. En este contexto, la teledetección se ha enfrentado a importantes desafíos en la gestión de cultivos, especialmente debido a la baja resolución temporal de los datos, lo que afecta a su utilidad en la toma de decisiones ágiles en agricultura. Sin duda alguna, la puesta en servicio de la plataforma espacial Sentinel-2 del programa Copernicus ha marcado un avance significativo en este sentido. No obstante, si bien la resolución temporal igual a cinco días de los productos ofrecidos se alinea mejor con las necesidades del sector agroalimentario, la ausencia de datos a causa de la presencia de nubes o no disponer de datos justo en el momento necesario hace que aun haya margen de mejora en este entorno de trabajo. Simultáneamente, la plataforma Sentinel-1 ofrece datos a través del sensor activo radar, capaz de capturar datos incluso bajo condiciones nubosas. De este modo, un enfoque combinado de sensores activos y pasivos se presenta como una alternativa efectiva para abordar las limitaciones temporales de la teledetección espacial. El estudio presentado integra datos de dos fuentes de datos, índice de vegetación NDVI derivados de Sentinel-2 y el índice VH plus VV de Sentinel-1. Los resultados mostraron una correlación positiva sustancial entre ambos conjuntos de datos, con un coeficiente de determinación de 0,82. Esta fuerte asociación subraya la utilidad del enfoque combinado como indicadores precisos del estado de los cultivos, ofreciendo un entorno de monitorazión de cultivos robusto y alineado con las necesidades de la agricultura moderna, superando las limitaciones temporales y mejorando la precisión de las evaluaciones agrícolas. Este enfoque podría impulsar una mayor adopción de la teledetección en la gestión agrícola, contribuyendo así a la sostenibilidad y eficiencia en la producción de alimentos.

Aragón presenta en el sur de Monegros uno de los secanos más árido de España, en el entorno de humedales salinos, tratándose de un espacio protegido dentro de la Red Natura 2000, ZEPA “La Retuerta y Saladas de Sástago” y ZEC “Monegros”. Se cultiva cereal de invierno de barbecho largo con una limitada producción. La inminente transformación en regadío conllevará cambios importantes e irreversibles en los sistemas salinos debido a la dulcificación de estos ambientes. El objetivo es monitorizar el desarrollo del cereal empleando Sentinel-2, datos de producción y el mapa litológico disponible para identificar diferencias según el tipo del suelo. Se emplea el Índice de Vegetación de Diferencia Normalizada (NDVI) y se analiza la firma espectral del cultivo en dos campañas de producción contrastada usando las herramientas disponibles en la plataforma Google Earth Engine. El NDVI refleja la diferencia de producción de acuerdo con las lluvias y es mayor para todos los cereales en parcelas sobre lutitas en la campaña de alta producción. La firma espectral refleja la influencia del suelo incluso en el momento de máximo NDVI.

En la región mediterránea, los olivares y viñedos desempeñan un papel fundamental en los ámbitos agroecológicos, culturales y económicos. En las últimas décadas se ha producido un cambio en los sistemas de plantación de ambos cultivos con, entre otros, los objetivos de facilitar la mecanización de las labores agrícolas y aumentar su rentabilidad. Estos nuevos sistemas de plantación en los que los olivos y las viñas llegan a formar un seto o espaldera que suelen llevar aparejado el uso de riego, presentan un desafío en el control de malas hierbas, en particular especies del género Conyza. La eliminación mecánica de las especies de este género es compleja, dada su ubicación bajo el cultivo y cerca de los sistemas de riego. Su localización precisa es crucial para un control eficiente, en el que se busca optimizar el uso de herbicidas y mitigar la aparición de resistencias desarrolladas por Conyza especialmente a glifosato. Este estudio propone aplicar redes neuronales de aprendizaje profundo y la inteligencia artificial en el análisis de vídeo captado por sensores RGB para detectar Conyza en diferentes etapas de crecimiento (temprano y tardío) en dos tipos de cultivo, olivar y viña. En este trabajo se evaluaron detectores de objetos basados en Deep Learning de una y dos etapas, incluyendo YOLO, EfficientDet y FasterRCNN, determinando su viabilidad para su ejecución en tiempo real. Los modelos entrenados para un determinado cultivo y etapa de crecimiento específica de Conyza no resultaron ser eficaces en otros escenarios de uso. Sin embargo, aquellos modelos que combinaron en la fase de entrenamiento diferentes etapas de desarrollo de Conyza mostraron una mejor detección y aplicabilidad, independientemente del cultivo, siendo su ejecución en tiempo real factible sólo con detectores de una sola etapa.

Este estudio investiga el impacto del evento climático extremo de la helada del este de EE. UU durante Abril de 2007, y su impacto en el rendimiento del trigo de invierno. Utilizando datos del programa Crop Data Layer (CDL), MODIS, ERA-5 y estadísticas de rendimiento por condado, se analizó la relación entre la reducción del rendimiento y las heladas. Se observó que, aunque los índices de vigor de las plantas, como el NDVI, indican condiciones saludables, existía una desconexión con el daño real en las plantas, especialmente en los estambres, a causa de las bajas temperaturas. Los resultados mostraron que algunas regiones experimentaron una resistencia significativa a las heladas, mientras que otras sufrieron pérdidas de rendimiento considerables. El estudio revela limitaciones en los modelos de teledetección actuales para detectar el daño oculto causado por heladas, subrayando la necesidad de integrar análisis climáticos detallados en la modelización del rendimiento de los cultivos. Esta integración es crucial para mejorar la precisión en la predicción del rendimiento y reforzar la seguridad alimentaria ante la variabilidad climática. Los hallazgos enfatizan la importancia de considerar múltiples fuentes de datos y enfoques analíticos para comprender mejor el impacto de los eventos climáticos extremos en la agricultura.

Este estudio evalúa la eficiencia del procesamiento de imágenes satelitales Sentinel-2 a diferentes resoluciones espaciales para el análisis de olivares en recintos SIGPAC. Se destaca la importancia de optimizar la resolución espacial en el procesamiento de series temporales, especialmente en este contexto de continua incorporación de nuevas imágenes a las series. Utilizando herramientas como Google Earth Engine, Python y SQL, se comparan las resoluciones de 10 m y 20 m (calculada con las bandas 8 y 8A) en el análisis del Índice de Vegetación de Diferencia Normalizada (NDVI), en olivares de Cuenca (30TWK) y La Rioja (30TWM) durante el verano de 2020. Los resultados muestran que la resolución de 20 m ofrece un procesamiento más eficiente en comparación con la de 10 m, con una evidente pérdida de parcelas al reducir la resolución, pero sin una disminución significativa en el tamaño del área estudiada. La resolución espacial es crucial en el análisis de indicadores ambientales, como se evidencia en la ineficacia del análisis de parcelas de pixeles puros a 10 m debido a la mínima diferencia en los valores medios intra-parcela del NDVI. Este estudio subraya la necesidad de seleccionar la resolución óptima para maximizar la eficiencia del análisis y minimizar la pérdida de información, lo que tiene importantes implicaciones para la gestión y monitorización de recursos agrícolas a nivel regional.

Obtener calendarios específicos de cultivos es crucial para que los agricultores y la administración pública gestionen eficazmente las cosechas. La recopilación manual de estos datos explotación a explotación es intensiva en tiempo y recursos, por lo que un enfoque más eficiente implica utilizar estimaciones fenológicas obtenidas mediante teledetección. El estudio se centró en Andalucía, España y utilizó datos de la Política Agraria Común (PAC) y el Sistema de Información Geográfica de la PAC (SIGPAC) para ubicar las parcelas de los principales cereales. Estos incluyeron trigo blando, trigo duro, triticale, avena, centeno, cebada, sorgo, maíz y arroz. Se obtuvieron fenométricas a partir de series temporales de Sentinel-2, como inicio de temporada (SOS), mitad de temporada (MOS) y final de temporada (EOS), y se compararon con datos de siembra y cosecha recopilados por el gobierno español. Los resultados revelaron una relación entre SOS y siembra, y entre EOS y cosecha para la mayoría de los cultivos. La siembra de trigo blando, trigo duro, triticale, avena, centeno y cebada tuvo lugar entre octubre y diciembre según los calendarios gubernamentales. Sin embargo, SOS generalmente comenzó un mes después, entre noviembre y enero. En estos cultivos la cosecha y EOS coincidieron, principalmente en junio. Cereales de verano, como sorgo, maíz y arroz, presentaron fenométricas distintas, ya que siembra y SOS del sorgo se dieron en abril y marzo, mientras que cosecha y EOS tuvieron lugar en septiembre y octubre, a menudo de manera concurrente. La siembra del maíz ocurrió en marzo, SOS en abril, y cosecha y EOS en septiembre. Finalmente, la siembra de arroz tuvo lugar en mayo, SOS en junio, cosecha en octubre y EOS en noviembre. Este estudio muestra la viabilidad de obtener calendarios precisos de cultivos a través de trayectorias fenológicas de Sentinel-2, ofreciendo valiosos conocimientos para agricultores y administraciones públicas.

Se presentará el trabajo realizado en el Campo de Cartagena y cómo se han aplicado diferentes tecnologías, entre ellas la Teledetección, para la generación del Gemelo Digital del Campo de Cartagena para el estudio y resolución de diferentes problemáticas locales que tienen relación con el medio ambiente. Casos de uso como el estudio de las inundaciones, como el turismo afecta a los diferentes ecosistemas de esta zona protegida o el estudio de la contaminación de las aguas en superficie y acuíferos subterráneos motivado por la ganadería y la agricultura.

La estimación de la demanda hídrica agraria, que consume la mayor parte de los recursos hídricos de un país, es uno de los aspectos más difíciles de cuantificar en la Planificación hidrológica. Las imágenes de satélite son una fuente de datos fiable que nos permite cuantificar, tanto espacial como temporalmente, la superficie en regadío existente en el ámbito de un país y, por tanto, su demanda hídrica agraria. En el caso de Arabia Saudí, donde la fuente de recursos son aguas subterráneas fósiles y, por tanto, con una fecha de caducidad próxima, la mejora del conocimiento, localización y evolución de la demanda hídrica del país, unida a un riego eficiente, basado en la información extraída de teledetección espacial, puede ampliar el margen de explotación hasta en 20 años (década 2050 a 2060), dando tiempo a que tecnologías incipientes, como la desalinización a bajo coste, sean sostenibles. El objetivo principal de este trabajo se centra en el desarrollo metodológico, a partir de imágenes del satélite Sentinel 2 y algoritmos de inteligencia artificial (IA), para la estimación de la demanda hídrica agraria en el ámbito de todo el territorio de Arabia Saudí. Para este desarrollo metodológico se ha escogido la región de Yauf (Al Jawf).