Programa del congreso

La disponibilidad de imágenes multiespectrales permite extraer información ecológica valiosa sobre los patrones estacionales de la vegetación, especialmente en ambientes dinámicos como los riparios. En este estudio, mediante modelos lineales, presentamos las relaciones entre la fenología vegetal y variables taxonómicas, ambientales y estructurales en ecosistemas de ribera. A partir de una serie de imágenes Sentinel-2 mensuales, extrajimos cuatro métricas fenológicas anuales (inicio y fin de temporada, pico de producción y rango) para el período 2022-2025, y consideramos 12 formaciones vegetales riparias, incorporando fases maduras y pioneras, así como especies autóctonas y exóticas. La composición explicó la mayor proporción de varianza para el pico y el rango, mientras que el peso de los factores ambientales fue mayor para el inicio de temporada. La Reynoutria sp. fue la formación con valores fenológicos más destacados, lo que facilita la alerta temprana de especies invasoras. Las formaciones más estrictamente riparias (alisedas, fresnedas, saucedas) mostraron una temporada de crecimiento más prolongada con respecto a las especies más típicas de ladera. Las implicaciones de este trabajo suponen una base importante para la caracterización y modelización de la vegetación riparia en ambientes dinámicos.

La caracterización de la estructura vertical de la vegetación es clave para la planificación y la prevención de incendios en bosques mediterráneos. En este estudio se evalúa un modelo de deep learning para segmentar estratos verticales (arbóreo, arbustivo‑arbóreo y arbustivo) en nubes de puntos 3D adquiridas con un escáner láser terrestre (TLS) y un LiDAR móvil integrado en un iPad (MLS‑iPad). En escenarios semirreales se obtuvieron valores de IoU (Intersection over Union) superiores al 97% en el estrato arbóreo y en torno al 90% en los estratos arbustivo-arbóreo y arbustivo; en parcelas reales, el IoU fue de 80–91% (arbóreo) y 35–65% (arbustivo-arbóreo y arbustivo). Estos resultados confirman la viabilidad del enfoque y el potencial del MLS‑iPad para campañas operativas rápidas de diagnóstico y seguimiento estructural, si bien la caída de los valores en parcelas reales evidencia la necesidad de ampliar el entrenamiento con datos reales, pudiendo actuar el TLS como referencia cuando se requiera mayor robustez.

La fenología se emplea con frecuencia como indicador del impacto del calentamiento global. En el caso de los sistemas agroforestales mediterráneos, como la dehesa, la floración de la encina es doblemente relevante, por su susceptibilidad al clima y por la importancia de la producción de bellota en el aprovechamiento ganadero que sostiene económicamente el sistema. Este trabajo tiene como objetivo evaluar imágenes de alta resolución capturadas por UAV para el seguimiento y la detección de la intensidad de floración de la encina. Se corrigieron las imágenes y se aplicó un índice de intensidad de floración basado en la distancia al amarillo, desarrollado en estudios anteriores. Simultáneamente se realizó un seguimiento en campo de la floración de la encina en dos fincas de dehesa de la provincia de Córdoba durante tres años. Se correlacionaron tanto los valores promedio globales como el del primer cuartil del índice con la intensidad de floración evaluada en campo. Los resultados mostraron patrones consistentes entre años. En vista del comportamiento observado, se contempla el desarrollo de una metodología que permita ampliar la escala espacio-temporal y, junto con el componente meteorológico, contribuya a mejorar nuestro conocimiento y capacidad predictiva sobre la producción de bellota, ayudando a propietarios y gestores en la toma de decisiones.

Los agrosistemas mediterráneos proporcionan múltiples servicios ecosistémicos cuya valoración en las políticas agrarias requiere indicadores operativos y escalables. Este trabajo analiza las sinergias entre varios servicios ecosistémicos en el olivar tradicional y la dehesa del sur de España, mediante mediciones de campo, modelado y sensores remotos. Empleando la producción de biomasa, estimada a partir de información meteorológica y datos de Sentinel-2, como variable de referencia, se han analizado las relaciones espaciotemporales con la biodiversidad de aves y reptiles, el carbono orgánico del suelo, la protección frente a la erosión y la valoración del paisaje. Los resultados muestran asociaciones consistentes en el olivar, mientras que en la dehesa dichas relaciones están moduladas por la mayor complejidad estructural del ecosistema. En términos generales, se ha contrastado la eficacia de la producción de biomasa herbácea, medible mediante sensores remotos, como indicador integrador y operativo para el seguimiento de varios servicios ecosistémicos en paisajes agrarios mediterráneos.

El seguimiento de la salud y productividad de los ecosistemas forestales es posible a partir de un conjunto muy diverso de técnicas que facilitan información a distintas escalas temporales y espaciales. Sin embargo, la integración de estas técnicas aún no se ha implantado de forma eficaz en redes de ámbito global. El proyecto SensOFOREST, en el que se enmarca este estudio, contribuye a la red europea “ForestWard Observatory” mediante la implementación de un sistema integrado de observación (SIO) compuesto por sensores terrestres equipados para la transmisión en tiempo real, así como datos multiescalares de teledetección (in situ, drones y satélites). El proyecto se centra en áreas de estudio representativas de dehesas de encina, donde la estructura de la vegetación supone un reto para el estudio del arbolado con imágenes de satélite. En este trabajo se describe la metodología y objetivos generales del proyecto y se presentan algunos resultados de las campañas experimentales realizadas en septiembre de 2024 y julio de 2025 en la estación experimental de Majadas de Tiétar (Cáceres). Los datos biofísicos y espectrales recopilados en estas campañas demuestran el potencial de las imágenes de satélite de muy alta resolución espacial Pleiades Neo para detectar síntomas tempranos de decaimiento, como la pérdida de masa foliar, en encinas potencialmente afectadas por patógenos presentes en el suelo como Phytophthora cinnamomi.

Este trabajo presenta el primer “Experimento de Simulación del Sistema de Observación” dedicado a la Biodiversidad (BOSSE) y cómo ha sido empleado para resolver cinco cuestiones metodológicas fundamentales en el estudio de la diversidad funcional mediante teledetección. BOSSE simula escenas virtuales con mapas de especies vegetales, sus rasgos funcionales, imágenes de satélite y funciones ecosistémicas, lo que ha permitido evaluar la capacidad de diferentes decisiones metodológicas, así como el efecto de la resolución espacial. Trabajos subsiguientes se focalizan en el soporte al análisis de datos experimentales y se expanden a otras áreas, como la transferibilidad de modelos a través de diferentes escalas espaciales.

Resumen: La pérdida de biodiversidad en los agrosistemas asociada a la intensificación agrícola, al uso de agroquímicos y a la fragmentación del hábitat, compromete los servicios ecosistémicos. En este contexto, la gestión y monitorización de la flora arvense en márgenes florales surge como una estrategia eficaz para evaluar la diversidad y riqueza de especies atractivas para diferentes grupos de polinizadores y fauna auxiliar. En la finca experimental “La Poveda” (ICA CSIC, Madrid) se desarrolló un experimento multipropósito durante los años 2023 y 2024 para monitorizar márgenes florales a 15 m de altura, empleando vehículos aéreos no tripulados (UAV). Se realizaron seis vuelos por campaña entre abril y julio, coincidiendo con el pico de floración de 11 especies objetivo pertenecientes a las familias Brassicaceae, Asteraceae y Fabaceae. Las particiones de las ortofotos (teselas de 640×640 px) se etiquetaron siguiendo dos esquemas: (a) unidad floral y (b) conjunto floral. Los datasets resul-tantes se utilizaron para entrenar variantes del modelo Ultralytics YOLOv26 bajo una configuración experimental homogénea y técnicas de aumento de datos. Los mejores resultados se obtuvieron con YOLOv26m y aumento de datos bajo el esquema (b), alcanzando métricas de validación robustas (mAP@0.5:0 = 0.534, precisión = 0.528 y recall = 0.558). Estos resultados destacan la relevancia de definir adecuadamente la unidad de etiquetado en datasets florísticos de muy alta resolución y ofre-cen directrices metodológicas para la monitorización de la biodiversidad en agricultura mediante imá-genes UAV e inteligencia artificial.