Utilidad de las imágenes satelitales en agricultura: índices de vegetación

Desde hace varias décadas, el trabajo de técnicos y agricultores ha evolucionado gracias a la aparición de los satélites y drones, sensores y otras herramientas tecnológicas que nos permiten gestionar los cultivos con multitud de datos adicionales, a escala mundial. 

Estos datos son un complemento ideal a los trabajos de campo para todos los profesionales, pudiendo optimizar su tiempo y recursos en búsqueda de la sostenibilidad del ecosistema agrario y de la rentabilidad del cultivo.

En los últimos años, numerosos investigadores han desarrollado algoritmos matemáticos que se basan en las bandas o espectros en las que se divida el espectro electromagnético (rango visible, NIR, SWIR, etc).

El autor de este texto trabajando en un cultivo de olivar con la aplicación de Graniot. 

Como resultado a estas combinaciones matemáticas, mediante teledetección aérea o espacial, somos capaces de extraer información espectral, en base a las longitudes de onda, y con ello conocer el estado y la estructura de la vegetación, incluso minimizando la perturbación de ciertas condiciones como es la presencia de suelos desnudos, escasas cubiertas vegetales o las condiciones atmosféricas (presencia de cobertura de nubes, por ejemplo).

En el mundo profesional, el índice más conocido y usado es el NDVI (Normalized Difference Vegetation Index), diseñado por Tucker (1979) para el monitoreo de coberturas vegetales [1]. 

En la agricultura, este índice nos permite estimar el estado de salud del cultivo asociado al vigor vegetal de la planta.

Su ecuación es la siguiente:

NDVI = (NIR-RED) / (NIR+RED)

El índice NDVI tiene unos valores que varían de -1 a 1, siendo los valores negativos todos aquellos que corresponden a vegetación muerta, nubes, masas de agua, nieve o núcleos urbanos; valores cercanos a 0 corresponden a suelos desnudos; mientras que, todo aquello que represente vegetación deberá mostrarse por encima de 0,1. 

Se entiende que, a mayor valor de índice, mayor salud del mismo (correlacionada con el vigor vegetal) [2].

Fuente: TYC GIS Formación.

Cabe mencionar que el NDVI es solamente uno de los muchos índices de vegetación que son estudiados profesionalmente en la actualidad. 

Desde Graniot se pueden estudiar los siguientes:

• NDMI (Índice de Humedad de Diferencia Normalizada
• PCD (Densidad Celular de la Planta)
• LCI (Índice de Clorofila Foliar)
• OSAVI (Índice de Vegetación Ajustado al Suelo Optimizado)
• MSAVI (Índice de Vegetación Ajustado al Suelo Modificado)
• GNDVI (Índice de Vegetación de Diferencia Normalizada Verde)
• NDRE (Índice de Diferencia Normalizada de Borde Rojo)

En general, los índices ayudarán generar información relacionada con parámetros biofísicos y/o el estado fisiológico de la vegetación

Posteriormente, estos valores han de ser interpretados por un profesional que los usará según crea conveniente para planificar sus visitas a campo (zonificando según necesidades del cultivo), tomar muestras foliares o de suelo para su posterior análisis en laboratorio e incluso para hacer prescripciones de tratamientos con productos fertilizantes.

Los índices, a pesar de su gran valor, no deben ser la única fuente de información analizada; estos deben ser verificados en campo, ya que no van a sustituir las visitas.

Por eso, es importante un análisis holístico y multidisciplinar del ecosistema agrario para poder entender la evolución del cultivo, predecir sus necesidades y actuar para conseguir un mayor rendimiento del mismo.

De este modo, es recomendable correlacionar los índices de vegetación, no solamente entre sí, sino también con información externa. 

A continuación, os dejamos algunas de las más importantes.

Datos meteorológicos

Los factores climáticos y meteorológicos son clave para entender el comportamiento de un cultivo

En el contexto actual de cambio climático, es vital poder monitorizar aquellos factores meteorológicos dentro del área geográfica donde se sitúe nuestro cultivo. La planta va a variar su comportamiento dentro del ciclo fenológico si existen temperaturas fuera del rango normal para una fecha específica o una pluviometría baja o escasa (sequía). 

El mejor ejemplo es España, el presente año, donde se han dado unas temperaturas muy elevadas (por encima de 30 º en regiones como Jaén, donde ha imposibilitado una óptima floración y cuajado del fruto y por ende, se espera una escasa producción en 2023) [4].

Por otro lado, una pluviometría escasa o baja hace que el cultivo no adquiera el agua necesaria para adquirir fortaleza y vigor, permitiendo afrontar las altas temperaturas. 

La clave está en monitorizar el cultivo interrelacionando estos datos meteorológicos con los índices de vegetación para comprender la subida o bajada de los valores y anticiparse, con la mayor rapidez posible, en las futuras actuaciones en campo (tratamientos, calendario de riego, etc.).

Ejemplo de un caso real: parcela de olivos en la zona de Úbeda (Jaén) y su variación en el mes de junio del 2023 hasta mitad de julio de 2023 pre y post precipitaciones: 

Figura 1a: pluviometría de la parcela en el mes de junio y julio de 2023. 

Fig. 1b: datos de temperaturas diarias en la parcela en el mes de junio y julio de 2023. 

En este ejemplo se aprecia, perfectamente, la evolución del índice de vegetación en apenas 10 días. Justo en ese periodo, ha habido unas precipitaciones considerables tras una época de sequía y el valor de la temperatura media ha sido el mínimo en el mes de junio. 

Se puede decir que la vigorosidad de la planta se debe a efectos directos de esta situación meteorológica y por ende, hay correlación.

Además, como se aprecia en la Figura 1a, la línea verde representa la subida de la media del índice NDVI, pasando de algo menos de 0,3 a más de 0,5 en un periodo corto de tiempo. 

Análisis multitemporales de índices

Los ciclos naturales existen. Realizar análisis multitemporales del cultivo ayuda a comprenderlos

Comprender los resultados puntuales de un índice de vegetación, obtenido mediante dron o satélite ofrece una información interesante para comprender el cultivo en un momento determinado, pero esa información quedará desactualizada puesto que el cultivo seguirá evolucionando (positiva o negativamente). 

De ahí que, monitorizar el cultivo antes, durante y a posteriori resulta fundamental para entender el cultivo y los ciclos naturales de esa parcela.

Asimismo, al tener información histórica de ciertos datos (por ejemplo, imágenes de satélite de años anteriores) puede ser fundamental para predecir datos clave como:

• Comportamiento del cultivo en periodos secos o húmedos.
• Fechas clave de posibles afecciones como plagas o enfermedades, teniendo en cuenta el historial y las condiciones en las que se han manifestado.
• Comparación entre un año 0 y un año X, lo cual es útil para observar la evolución de ese cultivo en un tiempo determinado.

Figura 2: comparación de NDVI en cultivo de olivar en Jaén entre la campaña 2019 y 2022 en la plataforma Graniot.

Mapas de zonificación

Un cultivo puede ser muy variable. Dentro de una parcela puede haber diferentes condiciones edafológicas o geográficas diferentes, necesidades nutricionales variables, entre otras. Caracterizar estas zonas son un punto clave.

Hay varias formas de realizar una zonificación; desde un mapeo directo en campo (lo cual requerirá invertir en recursos) o mediante índices de vegetación. Una vez realizados siempre podrán corroborarse en campo.

Figura 3: mapa de zonificación en olivar con NDVI.

Este mapa ofrece unos datos claros, del cual se puede obtener:

• Establecer una estimación sobre el potencial productivo de las diferentes zonas
• Planificación de rutas óptimas del agricultor o técnico, pudiendo planificar la visita a campo con antelación. Esto, a su vez, permite:
• Ahorro del combustible. No hace falta visitar la parcela en su totalidad.
• Optimización del tiempo: el agricultor o técnico se centrará en las zonas que requieren de mayor atención.
• Datos para toma de decisiones como dónde coger una muestra y por qué.
• Mapa de prescripción variable, el cual permitirá aplicar la cantidad de producto o insumo que requiera realmente la planta.
• Planificación agrícola.

A modo de conclusión, hay que poner en valor el estudio conjunto del gran volumen de datos que se puede obtener enfocándose en el contexto de la actual agricultura.

Imágenes satelitales para cultivos leñosos de alto valor: Agrosat Sharing

Los cultivos leñosos han sido los principales perjudicados por las imágenes satelitales de baja resolución, ya que no ha sido posible hasta ahora obtener información de cada árbol de una parcela.

Sin embargo, con la llegada de satélites privados de muy alta resolución este problema ha terminado. Hablamos de satélites con precisiones de 50x50 cm y 30x30 cm por píxel. Esta resolución permite a las empresas como Graniot identificar árboles, contarlos y clasificarlos por dimensión y salud.

Para democratizar el acceso a estas imágenes y abaratar su coste, Graniot ha lanzado un nuevo servicio denominado Agrosat Sharing que consiste en permitir al usuario final compartir el paso de un satélite de muy alta resolución por una zona geográfica determinada. 

Así como en Blablacar el usuario puede pagar por una plaza en un coche, en Agrosat Sharing el usuario puede pagar por capturar una foto de una tierra cultivada por donde pasa dicho satélite. 

Resumiendo, cuantos más usuarios y empresas paguen por esa plaza, mayor será el descuento final que pueden obtener por la imagen.

Referencias bibliográficas

[1] Ariza, A., Roa, O. J., Serrato, P. K., y León Rincón, H. A. (2018). Uso de índices espectrales derivados de sensores remotos para la caracterización geomorfológica en zonas insulares del Caribe colombiano. Perspectiva Geográfica, 23(1), pp. 110-112. 

[2] Fortes, R. (2020): Agricultura de Precisión. Introducción rápida a la digitalización de la agricultura. Amazon Digital Services LLC.

[3] TYC GIS formación. Cursos de Teledetección. 

[4] Canal Sur Media (19 de mayo de 2022). Las altas temperaturas afectan al olivo.