Predicción del rendimiento del trigo mediante teledetección óptica y radar integrada con aprendizaje automático en etapas fenológicas clave

Por qué esto importa para nuestro futuro alimentario

Alimentar a una población en crecimiento en un clima que se calienta y sufre estrés hídrico depende de conocer cuánto grano cosecharán los agricultores mucho antes de que las cosechadoras entren en los campos. Este estudio muestra cómo los científicos pueden estimar los rendimientos de trigo en una región seca de Irán usando satélites e inteligencia artificial, ofreciendo pronósticos fiables aproximadamente 50 días antes de la cosecha, lo bastante pronto como para orientar el uso del agua, las decisiones sobre fertilizantes y comercio, y los esfuerzos para prevenir escaseces.

Una llanura seca bajo presión

El trabajo se centra en la llanura de Qazvin, una importante zona productora de trigo en el norte de Irán que es a la vez muy productiva y crónicamente escasa de agua. Las precipitaciones son bajas e irregulares, las temperaturas son altas y los agricultores dependen en gran medida de aguas subterráneas limitadas y del deshielo de las montañas. En paisajes tan áridos, adivinar los rendimientos a partir de la experiencia pasada o de simples estadísticas meteorológicas es arriesgado. Los modelos tradicionales de cultivo exigen datos detallados sobre suelos, manejo y clima que a menudo no están disponibles. Los autores recurrieron en cambio a lo que abunda: imágenes satelitales que registran cuán brillantes y verdes lucen los campos a lo largo de amplias zonas, semana tras semana.

Ver la salud del cultivo desde el espacio

El equipo combinó imágenes ópticas de los satélites Sentinel‑2 de Europa con imágenes de radar de Sentinel‑1. Los sensores ópticos funcionan como cámaras digitales muy nítidas, capturando la luz solar reflejada en varios colores, desde el azul hasta el infrarrojo cercano. A partir de esos colores calcularon 16 indicadores diferentes relacionados con la “verdor” y la humedad que revelan cuán densa, frondosa y estresada por la sequía está la cubierta de trigo. Se centraron en dos momentos clave del crecimiento: la etapa de macollamiento a mediados de abril, cuando las plantas producen brotes que fijan el potencial de rendimiento, y la antesis a mediados de mayo, cuando el cultivo alcanza su máxima verdor y se prepara para llenar el grano.

Escuchar con radar cuando la luz no es suficiente

El radar de Sentinel‑1 aporta un tipo de visión distinto. En lugar de depender de la luz solar, emite pulsos de microondas y mide el eco, que se ve afectado por la estructura de la planta y la humedad tanto en la vegetación como en el suelo. Esto resulta especialmente atractivo en regiones polvorientas, propensas a nubes o con vegetación escasa, donde las señales ópticas pueden verse enmascaradas por el suelo desnudo y la atmósfera. Los investigadores derivaron indicadores simples basados en radar a partir de dos canales de polarización, y luego los combinaron con los índices ópticos y con información básica del terreno, como elevación, pendiente y orientación de los campos.

Enseñar a las máquinas a reconocer patrones de rendimiento

Armados con variables derivadas de satélite para 189 parcelas de trigo bien medidas, los autores entrenaron tres tipos de modelos informáticos para predecir el rendimiento: una regresión lineal estándar, una máquina de vectores de soporte capaz de capturar relaciones no lineales y un bosque aleatorio, que combina muchos árboles de decisión. Dividieron los datos de modo que el 70% se usara para enseñar a los modelos y el 30% para evaluar su habilidad. En general, la información satelital de la etapa de antesis resultó más informativa que la de macollamiento. El modelo de bosque aleatorio usando solo datos de Sentinel‑2 y del terreno en antesis fue el que mejor funcionó, explicando alrededor del 90% de la variación de los rendimientos en las parcelas de prueba y errando en promedio sólo cerca de un tercio de tonelada por hectárea.

Qué fue lo que más marcó la diferencia

Al indagar en qué entradas confiaba más el bosque aleatorio, el estudio encontró que los índices que capturan densidad del dosel, vigor y estado hídrico tenían el mayor peso. Medidas similares a los índices clásicos de verdor y un índice sensible al agua fueron los principales contribuyentes, mientras que las bandas de color crudas y las variables del terreno añadieron relativamente poco. Cuando se incorporaron los indicadores de radar, el ajuste en los datos de entrenamiento mejoró ligeramente —lo que sugiere que el radar aporta información adicional útil sobre humedad y estructura—, pero los errores en la prueba aumentaron. Ese patrón sugiere una tendencia modesta al sobreajuste, donde el modelo aprende ruido específico de la muestra de entrenamiento en lugar de reglas generales. Aun así, combinar todas las entradas permitió a los investigadores generar un mapa detallado de rendimientos de toda la llanura, revelando contrastes marcados entre bolsillos de bajo rendimiento y zonas de alto rendimiento.

Qué significa esto para agricultores y planificadores

En pocas palabras, el estudio demuestra que imágenes satelitales ópticas procesadas con cuidado, interpretadas con un método moderno de aprendizaje automático, pueden ofrecer pronósticos precisos del rendimiento del trigo a escala de parcela en un entorno duro y escaso de agua. El radar aporta matices potencialmente valiosos pero, en este caso, no superó el esquema más simple basado solo en óptica. Los mapas resultantes a principios de la temporada pueden ayudar a dirigir el riego y los fertilizantes escasos hacia donde más importan, detectar áreas vulnerables antes de que las pérdidas sean severas e informar la planificación regional del suministro alimentario. Aunque el trabajo se centra en una llanura iraní y una sola campaña, el enfoque ofrece un plan para aplicar la monitorización desde el espacio y la inteligencia artificial para reforzar la seguridad alimentaria en regiones áridas de todo el mundo.

Cita: Navidi, M.N., Fazli, E., Kharazmi, R. et al. Wheat yield prediction using integrated optical and radar remote sensing with machine learning across key phenological stages. Sci Rep 16, 10470 (2026). https://doi.org/10.1038/s41598-026-41501-7

Palabras clave: predicción del rendimiento del trigo, teledetección, agricultura satelital, aprendizaje automático, regiones áridas