Aunque la tecnología satelital puede parecer distante y limitada al espacio, sus beneficios se pueden ver en todas partes.
por Revista de Teledetección
Científicos de la Universidad Sun Yat-sen y sus colegas han desarrollado un marco innovador que alinea datos satelitales avanzados con las etapas de crecimiento del arroz para reforzar la precisión de la cartografía del arroz. Se espera que estos resultados amplíen los límites de la precisión cartográfica y contribuyan a los esfuerzos mundiales en materia de seguridad alimentaria.
Sus hallazgos fueron publicados en el Journal of Remote Sensing el 8 de julio.
El arroz es un cereal básico en muchos países y constituye una parte importante del suministro mundial de alimentos. La cartografía precisa de los arrozales es esencial para coordinar la producción agrícola , garantizar la seguridad alimentaria y gestionar el cultivo. Las regiones de los trópicos y subtrópicos, como Guangdong (China), son importantes productoras de arroz. Sin embargo, la cartografía de los arrozales en estas zonas sigue siendo un desafío.
«Hay dos dificultades principales en el mapeo del arrozal tropical y subtropical: la falta de imágenes ópticas de alta calidad y las diferencias en los tiempos de siembra del arrozal», dijo Qian Shi, profesor de la Escuela de Geografía y Planificación de la Universidad Sun Yat-sen y autor principal de este estudio.
Las regiones tropicales y subtropicales suelen estar cubiertas de nubes, lo que oscurece la información de la superficie terrestre en las imágenes satelitales . Además, las condiciones climáticas y los hábitos de siembra variables implican que las épocas de siembra del arroz difieren, lo que complica la elaboración de mapas precisos.
Para superar estos obstáculos, el equipo desarrolló un nuevo marco de mapeo que utiliza la correspondencia fenológica. Esta técnica implica alinear las etapas de crecimiento de las plantas de arroz con los datos de los satélites Sentinel-1 y Sentinel-2 para mejorar la precisión del mapeo en Guangdong.
Aprovechando la capacidad de Sentinel-1 para penetrar la capa de nubes , los investigadores identificaron los períodos de crecimiento del arroz, o períodos fenológicos, y recopilaron características de datos ópticos y de radar específicos de estos períodos de ambos satélites. Estas características se introdujeron luego en clasificadores de aprendizaje automático, o algoritmos que categorizan los datos.
«Al hacer coincidir las características derivadas de Sentinel-1 y Sentinel-2 con etapas de crecimiento específicas, nuestros clasificadores mejoraron significativamente la precisión del mapeo en comparación con los métodos convencionales», afirmó Shi.
Este enfoque de datos de múltiples fuentes indicó una mejora significativa en la precisión, que osciló entre el 6,44 % y el 16,10 %. Estos avances se validaron aún más mediante un análisis de regresión que alineó las áreas mapeadas con los datos estadísticos.
Este estudio también arrojó luz sobre los factores críticos que influyen en la fenología y la distribución espacial del arroz en Guangdong. Las condiciones térmicas, en particular la severidad del frío durante las etapas de crecimiento, surgieron como determinantes primarios que afectan el desarrollo del arroz. La interacción de factores humanos y naturales, incluida la pendiente del terreno y la temperatura mínima , también influyó significativamente en los patrones espaciales del arroz.
Estos hallazgos proporcionan una comprensión más profunda de la dinámica del ecosistema del arroz, ofreciendo información valiosa para formular políticas agrícolas y subrayando la importancia de integrar la ciencia de vanguardia con la agricultura sobre el terreno para optimizar la producción y la sostenibilidad.
«Nuestro objetivo es aplicar esta metodología a otras regiones tropicales y subtropicales , mejorando aún más la precisión y ampliando los conocimientos sobre la dinámica de la producción mundial de arroz», afirmó Shi.
Más información: Sun, L. et al. Mapeo del arroz con cáscara basado en la correspondencia fenológica y el análisis de patrones de cultivo combinando datos de múltiples fuentes en Guangdong, China, Journal of Remote Sensing (2024). DOI: 10.34133/remotesensing.0152
