An aerial view of a farm field with a bird's eye view of the

Uso de imágenes satelitales en la planificación agrícola

PLANTAS Y CULTIVOS

12/9/20257 min leer

La disponibilidad de imágenes satelitales y el procesamiento en la nube han revolucionado la agricultura de precisión. Plataformas como Google Earth Engine (GEE) ofrecen catálogos masivos de imágenes históricas y actuales (por ejemplo, más de 90 petabytes incluyendo series Landsat, Sentinel, MODIS, etc.) listos para análisis geoespacial . Esto permite aplicar algoritmos de IA y modelos agronómicos a escala global, acelerando la obtención de información sin necesidad de infraestructura local (1, 2). Del mismo modo, programas como CropWatch-ICP (China/ONU) integran datos satelitales con indicadores climáticos (sequía, plagas, enfermedades) para monitorear cultivos en países en desarrollo, capacitando a técnicos locales en el uso de estas herramientas para mejorar la seguridad alimentaria (3). En conjunto, estas plataformas permiten transformar observaciones desde el espacio en informes y mapas útiles para optimizar insumos, mejorar la resiliencia al clima y planificar los sistemas agrícolas (2, 4).

Sensores y satélites clave en agricultura

Los datos remotos provienen de múltiples constelaciones satelitales. Por ejemplo, el programa Landsat (NASA/USGS) proporciona desde los años 70 imágenes multiespectrales de 30 m de resolución con revisitas cada 16 días (5), lo cual es ideal para estudios históricos de coberturas vegetales. En contraste, el programa Copernicus de la ESA incluye los satélites Sentinel-2A/B, que capturan datos ópticos multiespectrales a 10 m de resolución con revisitas combinadas de ~5 días (6, 7). Sentinel-2 cuenta con 13 bandas (incluyendo NIR y RedEdge) que son esenciales para índices avanzados de vegetación (NDVI, NDRE, etc.) y para distinguir la salud de los cultivos (6, 8). A esto se suman constelaciones comerciales de alta frecuencia y resolución: por ejemplo, Planet Labs opera más de 140 micro-satélites PlanetScope con resolución ~3 m y cobertura diaria mundial, lo que permite monitorear cultivos incluso en regiones con nubes frecuentes (9). Otros satélites especializados (p.ej. RapidEye 5 m, WorldView submétricos) aportan aún mayor detalle espacial para aplicaciones puntuales. En conjunto, los sensores radar (Sentinel-1), ópticos (Sentinel-2, Landsat, PlanetScope) y de vapor remanente (NDMI, etc.) proporcionan una vista integral del estado de los cultivos, el suelo y el agua en la finca (1, 9).

Detección de estrés hídrico

La teledetección permite detectar deficiencias hídricas en las plantas mucho antes de que sean evidentes a simple vista. Los índices espectrales basados en las bandas infrarroja cercana (NIR) y del infrarrojo de onda corta (SWIR) son esenciales para este fin. Por ejemplo, el Índice de Vegetación de Diferencia Normalizada (NDVI) correlaciona las reflexiones en el NIR y el rojo para estimar vigor vegetativo (10): valores bajos de NDVI suelen indicar menor densidad vegetal o estrés. Más específicamente, índices como el Índice de Estrés Hídrico (MSI) – calculado como la relación SWIR/NIR (p.ej. bandas B11/B8 de Sentinel-2) – aumentan cuando hay menor humedad en la planta o el suelo (11). Otros índices especializados (NDMI, NMDI, etc.) están diseñados para resaltar la escasez de agua foliar o en el suelo (11, 12). Estos indicadores se comparan con valores de referencia (por ejemplo, NDVI histórico en un mismo campo) para obtener anomalías o mapas de déficit hídrico.

Planificación de siembra y manejo del cultivo

Las imágenes satelitales también informan la planificación previa y durante la campaña agrícola. Por ejemplo, el histórico de imágenes permite conocer la rotación de cultivos, la cobertura de rastrojos o humedales estacionales, datos que orientan la programación de siembras. La capacidad de observación frecuente mejora la sincronización de actividades críticas. Estudios señalan que disponer de imágenes cada ~5 días (frente a 10 días de Landsat) es clave, por ejemplo, para decidir la fertilización de inicio en cereales (etapas V3–V4 del maíz) (15). Se elaboran mapas previos de humedad de suelo tras la cosecha anterior o lluvias de invierno, lo cual ayuda a seleccionar híbridos adecuados o decidir niveles de labranza.

Además, mapas de humedad del suelo construidos con sensores satelitales (combinando bandas infrarrojas o radar) son fundamentales para planificar la siembra y el riego inicial . Estos mapas muestran la variabilidad espacial del agua disponible: las zonas más secas pueden requerir mayor monitoreo o riego más temprano. En resumen, la integración de la monitorización satelital continua con predicciones climáticas y datos de estaciones meteo mejora la planificación agronómica, reduciendo riesgos de siembra en suelos inapropiados y ajustando las fechas de siembra a las condiciones óptimas (16).

Monitoreo de cultivos y salud vegetal

Durante el ciclo de cultivo, la teledetección se consolida como herramienta estratégica. A través de plataformas de análisis se calculan índices de vegetación (NDVI, NDRE, SAVI, etc.) en cada parcela para generar mapas de vigor interno (17, 18). De este modo, se pueden detectar con antelación zonas con deficiencias nutricionales, ataques de plagas o enfermedades. La cobertura satelital permite una visión empírica y continua del estado fisiológico de los cultivos, superando las limitaciones de muestreos puntuales en campo (17). Con estos mapas, los agrónomos localizan «píxeles calientes» (áreas críticas) para planificar intervenciones puntuales: por ejemplo, ajustar fertilizaciones focalizadas allí donde el vigor es bajo, o inspeccionar detalladamente sólo las áreas que muestran señal de estrés (17, 19).

La salida de este proceso son informes técnicos digitales para el productor. En la práctica, equipos de agrónomos combinan datos satelitales con recorridos de campo colaborativos para generar informes zonificados: mapas con índices de vegetación, deficiencias y alertas, junto con recomendaciones específicas (17, 20). Por ejemplo, un piloto en Argentina llevó a la elaboración de informes técnicos de algodón a partir de imágenes Sentinel-2, que luego se entregaron a los productores para apoyar la toma de decisión en el lote (20). En otras palabras, los datos satelitales no sustituyen las visitas de campo, sino que guían y optimizan dónde y cuándo realizarlas, haciendo más eficiente el manejo fitosanitario y nutricional (17, 20).

Evaluación de rendimiento

Los sensores remotos sirven también para estimar producciones agrícolas antes de la cosecha. Combinando series de índices de vegetación con modelos fenológicos, se generan predictores de rendimiento. Estudios demuestran que los datos satelitales históricos y actuales permiten calibrar modelos productivos que estiman la cantidad de grano esperada (21). Esta técnica se aplica a gran escala: por ejemplo, el proyecto CropWatch-ICP usa datos satelitales y de campo para monitorear el crecimiento y predecir rendimientos en varios países en desarrollo (22). En la práctica, el productor y las cooperativas reciben informes estimando el rendimiento potencial de sus parcelas, lo que ayuda en la logística de cosecha y comercialización. Además, la comparación anual de índices (anomalías de NDVI) ofrece indicadores de sequía o excesos hídricos que han impactado los rendimientos, apoyando la planificación de rotaciones y seguros agrícolas.

Integración en la toma de decisiones

En conjunto, la información satelital se integra en sistemas de apoyo a la decisión agrícola y en aplicaciones móviles/web especializadas. Por ejemplo, en Argentina se inició el desarrollo de una aplicación para monitoreo agrícola que combina teledetección con SIG y algoritmos de IA, destinada a productores, técnicos y organismos agrícolas (23). Plataformas como OneSoil, Cropin o los sistemas nacionales de información agronómica hacen accesibles estos datos, generando alertas automáticas (p.ej. mapa de estrés en trigo) que pueden leerse desde cualquier dispositivo. A nivel institucional, iniciativas como GEE Trainings y el propio CropWatch-ICP proveen capacitación técnica para que los actores locales adopten estos recursos. De este modo, la analítica satelital se convierte en insumo rutinario para decisiones clave: definir áreas de reserva de agua, programar aplicaciones de insumos, estimar necesidades de maquinarias o diseñar políticas de apoyo ante sequías (3, 23). En definitiva, el f lujo de trabajo va desde la adquisición de imágenes (p.ej. Sentinel-2, PlanetScope), el cálculo de índices, la generación de mapas temáticos y, finalmente, su visualización en cuadros de mando o informes para los tomadores de decisión (1, 17).

Casos de uso y ejemplos

Un caso ilustrativo es el proyecto del Centro Regional Tucumán-Santiago del Estero (Argentina), donde en la campaña de verano 2023/24 se monitorearon parcelas de algodón bajo riego usando sensores remotos. Se calculó el índice verde (similares a NDVI) de cada lote con imágenes Sentinel-2, y con esos datos se generaron informes técnicos destinados a los productores locales (20, 24). Esta experiencia (73.540 ha en 8 lotes) permitió ajustar prácticas de cultivo en tiempo real y sirvió de base para crear una app agrícola que combine mapas satelitales, big data y AI (25). Otro ejemplo es el programa CropWatch-ICP impulsado por la ONU/China: Nigeria, Kenia, Zimbabue y otros países completaron estudios de campo donde calibraron modelos de crecimiento de cultivos usando datos satelitales (crecimiento, tipo de cultivo y predicción de rendimiento) (22). Estos casos muestran cómo la teledetección se traduce en conocimiento aplicado: el monitoreo masivo de datos espaciales se combina con relevamientos de campo, generando un ciclo de realimentación que mejora continuamente la planificación agrícola (desde la escala del lote hasta la política agropecuaria nacional) (20, 22).

Fuentes: Artículos e informes científicos y técnicos recientes sobre teledetección agrícola (3, 8,17, 26, 27). Estas fuentes documentan el uso de GEE y plataformas globales, los sensores satelitales más comunes en la agricultura (Sentinel-2, Landsat, PlanetScope, etc.) y las principales aplicaciones prácticas en gestión de cultivos, tal como se explicó arriba. All contenido analítico proviene de dichas referencias especializadas.

(1) Earth Engine | Google Cloud

https://cloud.google.com/earth-engine?hl=es-419

(2, 20, 23, 24, 25, 26) Monitoreo Integrado de Cultivos: combinando big data, imágenes satelitales y datos de campo para una agricultura eficiente | Argentina.gob.ar

https://www.argentina.gob.ar/noticias/monitoreo-integrado-de-cultivos-combinando-big-data-imagenes-satelitales-y-datos-de-campo

(3, 22) | ONU Comercio y Desarrollo (UNCTAD)

https://unctad.org/es/isar/project/cropwatch-innovative-cooperation-programme

(4, 16, 17) Monitoreo de cultivos con satélites

https://agrotechcampus.com/blog/monitoreo-de-cultivos-con-satelites/

(5, 6, 9, 14, 18, 19, 21, 27) Imágenes Satelitales Agricultura De Precisión: 7 Claves

https://farmonaut.com/precision-farming/imagenes-satelitales-agricultura-de-precision-7-claves

(7) Satélites Sentinel 2 para teledetección en agricultura - Agromática

https://www.agromatica.es/sentinel-2-teledeteccion-agricultura/

(8, 15) Sentinel: una nueva puerta para la agricultura de precisión

https://blog.agroptima.com/es/blog/sentinel-agricultura-precision/

(10, 11) Sistemas de Desarrollo