Clúster K‑means aplicado a índices de vegetación para cartografiar áreas cultivadas usando imágenes de alta resolución del satélite marroquí Mohammed VI

Por qué importan mapas de cultivos más inteligentes

Alimentar a un mundo en crecimiento depende de saber, en tiempo casi real, qué está realmente creciendo en el terreno. Agricultores y gobiernos necesitan mapas fiables de dónde se plantan cultivos, qué parcelas están desnudas y cómo esos patrones cambian temporada tras temporada. Este estudio muestra cómo un satélite marroquí de observación terrestre, combinado con una forma simple de inteligencia artificial, puede convertir imágenes sin procesar en mapas muy precisos de tierra cultivada sin requerir ejércitos de personas que etiqueten datos manualmente.

Ver las explotaciones desde el espacio

El trabajo se centra en el sistema satelital Mohammed VI, un par de satélites marroquíes que orbitan la Tierra en una órbita heliosincrónica. Capturan imágenes muy nítidas en cuatro colores, incluido el infrarrojo cercano, con una resolución de medio metro —lo suficientemente fina como para distinguir parcelas pequeñas individuales e incluso hileras de árboles. Los autores se enfocaron en un área agrícola de 175 hectáreas en la región de Fez–Meknés, en el norte de Marruecos, donde campos de cereales, maíz, olivos, almendros, viñas y hortalizas conviven con parcelas sin cultivar y vegetación dispersa. Tal diversidad convierte la zona en un banco de pruebas ideal para herramientas que deben separar la tierra cultivada de todo lo demás.

Convertir colores en pistas

Las imágenes satelitales crudas son solo rejillas de valores de brillo en distintas bandas de color. Para hacer esas rejillas más informativas, los científicos suelen calcular "índices de vegetación" que combinan varias bandas en un solo número que refleja la salud de las plantas o el contenido de agua. Este estudio utiliza el conocido Índice de Vegetación de Diferencia Normalizada (NDVI), que realza la vegetación frondosa rica en clorofila, y el Índice de Agua de Diferencia Normalizada Modificado (MNDWI), sensible a diferencias de humedad usando la banda verde y el infrarrojo cercano. Junto con la banda original de infrarrojo cercano, estas tres capas forman una descripción compacta del estado de vegetación y humedad de cada píxel, ofreciendo información mucho más rica que cualquier banda por sí sola.

Dejar que los datos se agrupen por sí mismos

En lugar de entrenar un modelo complejo con miles de ejemplos etiquetados a mano, los investigadores recurrieron a K‑means, un algoritmo de agrupamiento directo del aprendizaje no supervisado. K‑means simplemente busca patrones en los datos y agrupa los píxeles en un número fijo de clústeres que comparten rasgos espectrales similares. Tras un preprocesado básico —extraer las bandas relevantes, calcular los dos índices, apilarlos y escalar todos los valores entre cero y uno—, el equipo indicó a K‑means que crease exactamente tres clústeres. Estos se interpretaron luego como fondo (áreas fuera de los campos o sin señal útil), suelo desnudo y áreas dominadas por cultivos. Dado que el método es no supervisado, puede aplicarse a nuevas imágenes sin datos adicionales etiquetados para entrenamiento.

Poner el método a prueba

Para evaluar qué tan bien funcionó el enfoque, los autores crearon un mapa de referencia detallado trazando manualmente las parcelas cultivadas en un software de información geográfica, usando la misma imagen de alta resolución. Luego compararon cuatro formas de estimar la proporción de terreno cultivado: una regla simple basada solo en el brillo del infrarrojo cercano, una regla basada únicamente en el índice de vegetación NDVI, un K‑means estándar aplicado a las bandas de color originales y su nuevo "K‑means espectral" que agrupa los datos combinados de índice e infrarrojo. La fracción real cultivada del área de estudio fue del 71,07 por ciento. El umbral sobre el infrarrojo cercano la subestimó en 65,59 por ciento, el NDVI solo dio 66,13 por ciento y el K‑means estándar alcanzó 67,18 por ciento. El enfoque de K‑means espectral se acercó más, con un 72,07 por ciento, correspondiente a un error relativo de solo 1,41 por ciento —varias veces mejor que los métodos competidores.

Qué significa esto para la agricultura del futuro

Para agricultores, gestores del agua y planificadores, este tipo de cartografía automática y precisa ofrece una forma práctica de monitorizar parcelas en grandes regiones sin costosos levantamientos de campo ni conjuntos masivos de datos etiquetados. Al distinguir de forma fiable tierra cultivada de no cultivada y al destacar dónde la vegetación prospera o está estresada, el método puede apoyar el riego de precisión, orientar el uso de fertilizantes y ayudar a rastrear el cambio de uso del suelo. Aunque la validación actual se basa en una sola imagen, el enfoque apunta hacia un futuro en el que algoritmos simples no supervisados aplicados a datos satelitales de alta resolución proporcionen de forma rutinaria mapas de cultivos a escala de parcela, mejorando la producción de alimentos y apoyando un uso más sostenible de la tierra y el agua.

Cita: Moussaid, A., Bayad, M., Gamoussi, Y. et al. K-means clustering applied to vegetation indices for mapping cultivated areas using high-resolution Moroccan Mohammed VI satellite imagery. Sci Rep 16, 11040 (2026). https://doi.org/10.1038/s41598-026-41167-1

Palabras clave: agricultura de precisión, imágenes satelitales, mapeo de cultivos, aprendizaje no supervisado, índices de vegetación