Programa del congreso

El abandono de la actividad agraria es un problema importante en Europa en general y en España en particular. Los regadíos de ribera sufren este proceso de abandono en mayor medida, por sus peculiares características. No existen estudios cuantitativos sobre el porcentaje de superficie y número de parcelas abandonadas en las zonas de regadío de ribera de Aragón. Por ello, el objetivo de este trabajo es desarrollar una metodología para localizar y cuantificar estas parcelas abandonadas mediante un modelo de clasificación aplicado a tres años consecutivos, y la definición de reglas de decisión basadas en la clasificación de cada año. El modelo se obtuvo con el algoritmo Support Vector Machine Radial y diferentes variables basadas en los índices NDVI, NDMI y NDTI y características texturales, todas ellas derivadas de imágenes de satélite Sentinel 2. Parcelas abandonadas, no abandonadas y parcelas sin determinar fueron las categorías identificadas en las dos áreas de estudio, las riberas de los ríos Martín y Guadalope de Teruel, con una fiabilidad global en su clasificación del 85%. La aplicación del procedimiento al conjunto de regadíos de ribera de Teruel revela el predominio de las parcelas abandonadas, 52%, frente a las no abandonadas, 38%, quedando menos del 10% sin asignar.

Este estudio presenta una herramienta para identificar palmeras infectadas por Serenomyces phoenicis y Phoenicococcus marlatti, basada en el uso de imágenes multiespectrales y algoritmos de aprendizaje automático. Se utilizaron técnicas de segmentación y clasificación de imágenes para estimar la prevalencia relativa de hojas afectadas en cada palmera, y de forma paralela, se realizó un muestreo in-situ para la identificación de ejemplares infectados. Estos datos se emplearon como variables predictora y objetivo, respectivamente, en la construcción de un modelo de clasificación probabilística. La robustez de la clasificación y la capacidad predictiva del modelo fueron evaluadas empleando errores de omisión y comisión, exactitud, precisión y F1. Destaca la precisión obtenida en la identificación de palmeras infectadas (0.93). La metodología propuesta se presenta como una herramienta útil para la identificación de especímenes de P. canariensis infectados, reduciendo la inversión de recursos en diagnósticos in-situ y facilitando así el tratamiento fitosanitario.

Debido a la necesidad de cambios en los modelos productivos hacia una agricultura más productiva y sostenible, la teledetección se ha convertido en una de las tecnologías más prometedoras capaz de implementar o modificar positivamente técnicas en los cultivos. En el cultivo del caqui se han realizado escasos trabajos que relacionen los datos de satélite con el manejo y monitorización de plagas. En este trabajo se presenta la monitorización de la plaga Pseudococcus spp. realizada mediante esta tecnología con datos de Sentinel-2. Para ello, se ha reunido un parcelario con una superficie total de 72 ha, clasificando las parcelas según la incidencia de la plaga en afectadas o no afectadas y realizando el estudio de la incidencia de la plaga en los años 2020 y 2021, siendo registrado este último como un año con alta incidencia de la plaga en el cultivo. Además, se ha analizado la evolución temporal de las reflectancias superficiales de Sentinel-2 en las bandas del Rojo, NIR y el índice NDVI con resolución espacial de 10 m, comparando por afección de la plaga a nivel de parcelas y entre años. En este estudio se puede distinguir entre parcelas afectadas y no afectadas según las diferencias en las reflectancias, sobre todo destacando en el NIR, experimentando mayores diferencias en el año 2021. La monitorización del cotonet en caqui mediante la teledetección nos permite diferenciar entre parcelas con presencia o no de la plaga, pudiendo establecer prácticas y estrategias de control efectivas mejorando así la sostenibilidad del sistema.

La compleja dinámica de las cubiertas agrícolas siempre ha supuesto un reto para la clasificación de cultivos mediante técnicas de teledetección. No obstante, esta dinámica característica de cada cultivo, puede aprovecharse para extraer información fenológica útil para su discriminación. Este estudio se centra precisamente en evaluar la eficacia de las métricas fenológicas derivadas de series temporales de índices de vegetación obtenidos de imágenes de los satélites Sentinel-1 (RVI) y Sentinel-2 (NDPI), para caracterizar la dinámica interanual de los cultivos y con ello, su clasificación. En el trabajo, que se desarrolla en una de las siete Comarcas Agrarias de Navarra, se consideran 23 cultivos y usos del suelo distintos (clases especificas), agrupados en 6 clases generales en función de su fenología. De los resultados obtenidos, utilizando como clasificador el algoritmo Random Forest, destacar que las métricas derivadas del índice óptico NDPI proporcionan mejores resultados, aunque las obtenidas a partir de series temporales del índice RVI, presentaron un buen desempeño al caracterizar con precisión los cultivos de invierno. Por último, señalar que la combinación de las métricas fenológicas derivadas de observaciones ópticas y radar (RVI y NDPI), incrementa notablemente la precisión al clasificar tanto las clases específicas como las generales. Destacando la importancia de integrar fuentes complementarias de datos fenológicos para mejorar la fiabilidad en la clasificación de cultivos.

La inminente emergencia de cambio climático y aumento de la presión demográfica requieren de la búsqueda de nuevas maneras de garantizar una producción agrícola segura y suficiente. La estimación del rendimiento de los cultivos será una herramienta fundamental en dicho contexto, pues permite una mejor comprensión de suministro de alimentos y contribuye a la gestión de la demanda y los recursos y a apoyar las políticas agrarias. En este estudio se ha comparado la idoneidad del NDVI y de varios parámetros biofísicos como el LAI o la concentración de clorofila a nivel de hoja, entre otros, como estimadores del rendimiento a nivel de parcela en cultivos de trigo y cebada en el centro de la Península Ibérica entre 2018 y 2021. Las variables relacionadas con el LAI durante la fase de llenado del grano mostraron la mayor idoneidad como estimadores. Durante la validación de los modelos se consiguieron errores cuadráticos medios (RMSE) de 967 kg ha-1 (36 % de error sobre la producción media) y r = 0.53 para la cebada y RMSE = 1100 kg ha-1 (36 % de error sobre la producción media) y r = 0.56 para el trigo a través de ajustes random forest. Con ello, además, queda demostrado interés del uso de las imágenes Sentinel-2 para la estimación operativa del rendimiento de cultivos de cereal a nivel de parcela.

En este trabajo desarrollamos un modelo para predecir la cosecha de trigo a nivel de parcela a partir de datos Sentinel-1 (S1) y Sentinel-2 (S2). Para ello calibramos el modelo con datos de rendimiento precisos adquiridos entre 2018 y 2022 en diferentes parcelas localizadas en una región agrícola predominantemente cerealista de la provincia de Valladolid y lo validamos con datos adquiridos en diferentes provincias de Castilla y León. Para minimizar la variabilidad temporal de cada temporada y cada región, normalizamos la señal de los satélites en función de la acumulación de temperatura de la planta (acumulación de Growing Degree Days, GDDacum) mediante el producto de temperatura de aire de ERA5. El modelo se basa en una regresión lineal de dos parámetros para cada rango de GDDacum considerando tres posibles combinaciones: (1) utilizando solo parámetros ópticos de S2, (2) utilizando solo parámetros de microondas de S1, o (3) utilizando un parámetro de S2 y uno de S1. Los resultados de la calibración muestran que la integración de S1 y S2 proporciona los menores errores (por debajo de 500 kg/ha entre 1600 y 1700 ºC y entorno a 2000ºC de GDDacum). Sin embargo, al transferir el modelo a los datos de validación, el modelo únicamente basado en parámetros S1 es el único que muestra errores aceptables (1100-1200 kg/ha entre GDDacum 2300 y 2600 ºC) combinando los parámetros DoP y mp.

La predicción del rendimiento de los cultivos es crucial para la gestión y planificación de la política alimentaria. Este estudio tiene el objetivo de generar y evaluar modelos de rendimiento del cultivo de arroz en el norte de Perú utilizando imágenes Sentinel-2, aplicando el algoritmo Random Forest (RF). Para ello, se seleccionaron 12 fechas de imágenes Sentinel-2 utilizando la plataforma Google Earth Engine (GEE), en las que se evaluaron 37 parcelas de arrozal. Se calcularon ocho índices de vegetación: índice de vegetación mejorado (EVI), índice de clorofila verde (GCI), índice de vegetación ajustado al suelo modificado 2 (MSAVI2), índice de estrés hídrico (MSI), índice de vegetación de diferencia de agua (NDWI), índice de proporción de pigmento clorofila normalizado (NPCI) e índice de vegetación ajustado al suelo (SAVI). Se generaron modelos para cada fecha, calculándose el coeficiente de determinación (R2). El valor máximo se obtuvo para la fecha 7 (R2 = 0,79). Aplicándose el algoritmo de RF y validación cruzada (leave one out), los mejores resultados se obtuvieron con el NDWI y MSI , con un R2 de 0,57, error medio cuadrático (RMSE) de 1,51 t/ha y error medio absoluto (MAE) de 1,15 t/ha. El modelo obtenido por RF con validación cruzada proporciona una fiabilidad notable para predecir el rendimiento antes de la cosecha.

El seguimiento y cuantificación de la variabilidad intraparcelaria en los cultivos adquiere especial relevancia en un contexto de aprovechamiento de los recursos hídricos y un manejo sostenible de las explotaciones. Los Mapas de Variabilidad de Crecimiento (MVC) obtenidos a través de series temporales de imágenes de satélite de media-alta resolución (Sentinel-2 y Landsat) han demostrado ser un eficaz instrumento para describir esta variabilidad, a escala de píxel y de parcela, en cultivos herbáceos. Animados por el aumento exponencial que se ha producido en extensión del cultivo del almendro en regadío en nuestro país estos últimos años, en este trabajo se estudia la aplicación, y validación, de esta metodología a este cultivo leñoso. Durante dos campañas consecutivas, 2022 y 2023, se han elaborado mapas de MVC en una parcela comercial de almendros, empleando la herramienta TONIpbp, que determina píxel a píxel la transpiración acumulada, alimentada por la serie de imágenes Sentinel 2 disponibles de la zona, junto con datos meteorológicos. Para determinar la robustez y viabilidad de los MVC obtenidos, como herramienta de manejo en almendro, se emplearon medidas de campo distribuidas por la parcela, y estimaciones a través de varios vuelos con un sistema aéreo no tripulado (UAS), de variables estructurales de los árboles indicativas de su biomasa y crecimiento en campo, como la altura, fracción de cubierta vegetal y volumen de copa. Los resultados obtenidos en este trabajo son prometedores, permitiendo adquirir una mayor especialización sobre la técnica, y le otorgan fiabilidad también en cubiertas vegetales menos estudiadas, como son los cultivos leñosos.

El sistema de cultivo de olivar en seto ha revolucionado la olivicultura en los últimos años, mejorando la rentabilidad mediante cosechas tempranas y reducción de costos gracias a la mecanización de procesos como recolección y poda. Inicialmente aplicado en condiciones de riego, su uso se ha extendido a cultivos en secano. A pesar de su popularidad, hay escasa información sobre el comportamiento de diversas variedades de olivo en seto y bajo distintas condiciones hídricas, un tema crucial en el contexto del cambio climático. Para llenar este vacío, en 2020, el Centro IFAPA de Cabra en Córdoba plantó ensayos en secano con variedades como 'Arbequina', 'Arbosana', 'Koroneiki' y 'Sikitita', con el fin de evaluar su desarrollo vegetativo y determinar las características fenotípicas más adecuadas para estas condiciones. Las mediciones tradicionales de las copas de los árboles, siendo costosas en tiempo y esfuerzo, fueron reemplazadas por tecnología LiDAR a través de UAVs. Los vuelos realizados en noviembre de 2022 y enero de 2023 facilitaron la creación de modelos tridimensionales para caracterizar la estructura foliar de los árboles. Estas estimaciones fueron validadas con mediciones de campo en 36 árboles, comprobando la precisión del UAV-LiDAR, proporcionando una base para futuras investigaciones y aplicaciones prácticas en olivicultura de secano.

La identificación de cultivos y usos de la tierra mediante técnicas de teledetección es un requerimiento de la Política Agrícola Común europea. Sin embargo, la identificación de cultivos en paisajes agrarios altamente fragmentados es un reto para la teledetección. En este trabajo se utiliza una técnica de descomposición de series temporales y máquinas de vectores de soporte (SVM) para la para la identificación automática de parcelas de kaki, fruta de hueso y cítricos menores de 0.5 ha en la Comunidad Valenciana. Para ello se han seleccionado 2 índices espectrales mediante análisis de componentes principales sobre coeficientes de Fourier de una serie temporal de imágenes satelitales y con estos datos se ha alimentado un clasificador SVM. Se ha utilizado validación cruzada espacial para evitar la autocorrelación espacial. Se estima que el sistema tiene una exactitud global alrededor del 90%.