Un nuevo algoritmo usa imágenes satelitales para determinar el tipo de olivar sin visitas a campo

El olivar tradicional, de árboles grandes y alejados entre sí, está siendo sustituido por plantaciones con mayor densidad como el intensivo o superintensivo, donde la separación entre ellos se reduce. La productividad aumenta en este tipo de plantaciones intensivas y superintensivas, pero también el uso de recursos como el agua.

Debido a las consecuencias agronómicas y medioambientales, pero también económicas y socioculturales que derivan de esta transformación, las administraciones públicas realizan planes de políticas y ayudas para adecuar el ritmo de la misma. Para ello, necesitan contar con información actualizada en cada momento para conocer cuántas hectáreas de cada tipo de plantación hay y a qué velocidad cambian.

El equipo ha apostado por el uso de imágenes Sentinel – 2, misión de observación desarrollada por la ESA. 

A esa necesidad responde el método basado en un tipo de redes neuronales llamadas convolucionales que ha desarrollado un equipo de la Universidad de Córdoba en colaboración con la de Sevilla y que permite identificar automáticamente esos patrones en olivar usando imágenes satelitales gratuitas en abierto de Sentinel – 2.

“El problema que enfrentábamos es que hasta ahora tenemos esta información, gracias a las imágenes del PNOA (Plan Nacional de Ortofotografía Aérea) que tienen una gran resolución espacial, pero que se actualizan cada 3 años, por lo que tenemos una vista muy desplazada en el tiempo”, explica la investigadora del Departamento de Ingeniería Gráfica y Geomática de la UCO Isabel Castillejo.

Para salvar esta problemática, el equipo apuesta por el uso de imágenes Sentinel – 2 (misión de observación terrestre desarrollada por la ESA) que están disponibles de forma gratuita cada 5 días. Sin embargo, estas imágenes tienen una resolución espacial menor que hace más difícil la identificación de patrones ya que en las imágenes no se observan las copas de los árboles directamente. Y ahí entran las redes neuronales convolucionales (CNN), que son un tipo de técnica de análisis Deep Learning que se usa para tareas de reconocimiento avanzado de patrones en datos.

“Entrenamos 3 algoritmos de aprendizaje diferentes para detectar los sistemas de plantación usando estas imágenes satelitales y encontramos que el mejor de los tres (el enfoque B) tenía una precisión del 80%, un porcentaje muy alto teniendo en cuenta la dificultad del problema y la resolución de las imágenes de entrada” profundiza Cristina Martínez, investigadora del Departamento de Ingeniería Electrónica y de Computadores de la UCO.

Para las investigadoras hay otra cuestión determinante de este método y es que está todo automatizado: “sólo con introducir un archivo de texto con el código de la parcela o la referencia catastral, se delimita la parcela a través de sus lindes y con esa información se identifican y se descargan las imágenes satelitales para el periodo solicitado y se introducen en la red que determina el tipo de olivar. Todo de manera automatizada”.

Con este método innovador se elimina la dependencia de los métodos tradicionales, que suelen implicar visitas de campo y muestreos aleatorios, ofreciendo así una alternativa más eficiente y precisa para la gestión y el seguimiento de los olivares. El equipo, ya investiga para aplicar este tipo de procesamiento con redes neuronales e imágenes satelitales al estudio y predicción del estrés hídrico en el olivar.

Referencia:

Martínez Ruedas, C., Yanes Luis, S., Linares Burgos, R., Gutiérrez Reina, D. y Castillejo González, I.L. (2025). ‘Assessment of CNN-based methods for discrimination of olive planting systems with Sentinel-2 images’. Computers and Electronics in Agriculture, 234, 110311.