Programa del congreso

La clasificación precisa de las masas forestales es esencial para la gestión sostenible y la modelización de riesgos naturales. Este estudio evalúa la capacidad de discriminación de tres especies forestales (Pinus sylvestris, Quercus pyrenaica y Fagus sylvatica) en el Monte de Utilidad Pública de Villoslada de Cameros (La Rioja), mediante un enfoque de teledetección multitemporal y multisensor. Se integraron datos ópticos (Sentinel-2), de radar (Sentinel-1) y estructurales (LiDAR-PNOA) para caracterizar la fenología y estructura de la vegetación. La metodología partió de parcelas monoespecíficas del Inventario Forestal Nacional (IFN4) y datos locales, aplicando un sobremuestreo espacial mediante puntos aleatorios para corregir el desbalanceo de clases entre coníferas y frondosas. Tras generar un vector de 416 características, se utilizó el algoritmo de Eliminación Recursiva de Características con Validación Cruzada (RFECV) para seleccionar las 20 variables más robustas, optimizando el modelo. Los resultados mostraron una precisión global del 96,1%, identificando como predictores críticos la banda del Red-Edge (B6), el índice de Verdor del Tasseled Cap (TCG) y la polarización VH. Aunque la separación entre coníferas y frondosas fue excelente, se observó una ligera confusión entre las especies de frondosas debido a su similitud fenológica. Se concluye que las series temporales y las variables estructurales podrían ser determinante para mejorar la precisión en la automatización de la identificación de especies en inventarios forestales a gran escala.

Este estudio analiza la dinámica de recuperación forestal post-incendio de masas de Pinus y Quercus afectadas por incendios ocurridos en el año 2003 en Cataluña. El objetivo principal fue evaluar cómo factores topográficos, de estrés ambiental y la severidad del fuego influyen en el tiempo necesario para que la vegetación retorne a sus niveles de productividad primaria neta (NPP) previos al siniestro. Para ello, se empleó el modelo fisiológico simplificado Physiological Principles Predicting Growth from Satellites (3-PGS), en el que se integraron series temporales de la colección Landsat abarcando el período entre 2000 y 2020. Los resultados indicaron que la gran mayoría de las áreas estudiadas lograron recuperarse en este periodo de tiempo. No obstante, se observaron diferencias significativas entre géneros: Quercus mostró una recuperación más veloz que Pinus, especialmente durante el primer año posterior al fuego. Entre las variables evaluadas, la elevación y la severidad del incendio resultaron determinantes. Las zonas situadas a mayor altitud y aquellas que sufrieron incendios más intensos mostraron periodos de recuperación más prolongados en ambos tipos de bosques.

Para la determinación automática del sistema de plantación del olivar se desarrolló una metodología basada en Deep Learning a partir de imágenes sintéticas generadas para la clasificación de estos olivares usando YOLOV8. Muchas redes neuronales de clasificación presentan como principal requisito técnico un tamaño fijo de entrada de 299×299 píxeles, lo que implica que cada imagen debe representar una superficie mínima de 2,23 ha si se trabaja con imágenes de 0,5 m/píxel como las de PNOA. Como consecuencia, las parcelas de menor tamaño quedan excluidas del análisis, lo que limita la aplicabilidad del método a determinadas explotaciones. Con el fin de superar esta limitación, se ha desarrollado una nueva metodología para la generación de imágenes sintéticas que permite reducir el tamaño efectivo de la imagen de entrada sin perder la información estructural necesaria para la clasificación. Gracias a ello, es posible analizar parcelas con una superficie mínima de 0,13 ha. El modelo entrenado con la arquitectura de YOLOV8 alcanzó un F1-Score de 98.3% y una exactitud media del 98,2 % en validación. Este enfoque amplía el rango de parcelas analizables y sienta las bases para una mejor generalización del modelo, incrementando su potencial de aplicación a escala territorial.

La expansión de cultivos en regadío como el almendro y el pistacho en zonas áridas y semiáridas, supone un desafío en un contexto de escasez de recursos hídricos. La Teledetección va ganando relevancia en el seguimiento de las necesidades hídricas de estos cultivos, gracias a la disponibilidad de imágenes de satélite cada vez con mayor resolución espacial y temporal. Sin embargo, los modelos presentan ciertas limitaciones que trasladan incertidumbre a las estimaciones. En este trabajo presentamos el ensamblaje de modelos como técnica para acotar la incertidumbre en las necesidades hídricas, con especial interés en los leñosos. El estudio se centra en la provincia de Albacete, durante los años 2022-2024, y se combinan dos modelos de balance de energía, como son METRIC y SenET_TSEB, con un modelo de balance de agua asistido por imágenes NDVI, para obtener series temporales de evapotranspiración real diaria (ETa), con resolución espacial de 20-30 m. La comparación con las medidas in situ registradas en dos torres eddy-covariance disponibles en una parcela de almendro y otra de pistacho en la zona, muestra como el ensamblado de modelos consigue una mejor correlación de los resultados. A escala semanal, se obtienen errores promedio de 4,9 mm d-1 y 2,8 mm d-1 en estimación de ETa para el almendro y el pistacho, respectivamente. Los valores acumulados a lo largo de la campaña con esta metodología son consistentes y permiten ajustar la planificación del riego, detectar condiciones de estrés, y/o cuantificar necesidades hídricas a escala de parcela. Los resultados obtenidos refuerzan el papel de la Teledetección satelital en la gestión de los recursos hídricos, en cultivos en expansión como son el almendro o el pistacho.