El estudio liderado por la Universidad Politécnica de Madrid integra imágenes satelitales, IA y datos climáticos
Fuente Original: Revista Oleo: https://www.oleorevista.com/texto-diario/mostrar/5945472/modelo-basado-inteligencia-artificial-optimiza-prediccion-cosechas-olivar
La creciente variabilidad climática está obligando al sector oleícola a incorporar nuevas herramientas de análisis capaces de reducir la incertidumbre en la planificación de las campañas. En este contexto, la integración de inteligencia artificial, teledetección y análisis masivo de datos se perfila como una de las tecnologías con mayor potencial para mejorar la gestión agronómica y la toma de decisiones en el olivar mediterráneo.
Con este objetivo, un equipo de investigación de la Universidad Politécnica de Madrid (UPM), en colaboración con la empresa AgrowingData y la Escuela Técnica Superior de Ingeniería (ICAI) de la Universidad Pontificia Comillas, ha desarrollado una metodología que mejora la predicción temprana de la producción de aceituna y aceite de oliva en explotaciones sometidas a episodios de sequía y altas temperaturas.
El modelo combina imágenes captadas por los satélites Sentinel-2, variables climáticas y propiedades del suelo para analizar la respuesta del cultivo a las condiciones ambientales y estimar con mayor precisión el rendimiento de las plantaciones.
Más de 1.100 parcelas analizadas en la provincia de Córdoba
La investigación se ha desarrollado en olivares de la provincia de Córdoba, una de las principales zonas productoras de aceite de oliva de España. Para validar la metodología, los investigadores analizaron información correspondiente a más de 1.100 parcelas agrícolas, integrando datos procedentes de sensores remotos, registros de temperatura y precipitación, así como diferentes características edafológicas.
Este enfoque permite construir modelos predictivos más robustos y adaptados a las condiciones reales de cultivo.
El tiempo térmico mejora la estimación del rendimiento
Uno de los principales avances del estudio es la incorporación del denominado tiempo térmico o Growing Degree Days (GDD), un indicador que mide el desarrollo fisiológico del cultivo a partir del calor acumulado, en lugar de basarse únicamente en el calendario agrícola.
Según explica Ana María Tarquis, investigadora de la UPM y coautora del trabajo, este sistema «facilita comparar campañas agrícolas muy distintas entre sí y detectar patrones más robustos relacionados con la producción».
Los resultados demuestran que determinados periodos de precipitación y la evolución de la vegetación observada mediante imágenes satelitales mantienen una estrecha relación con la producción futura de aceituna y aceite. Asimismo, el estudio confirma que las propiedades del suelo desempeñan un papel determinante en la capacidad del olivar para soportar episodios de estrés hídrico y térmico.
Una herramienta para mejorar la toma de decisiones en el sector oleícola
Los investigadores consideran que esta metodología puede convertirse en una herramienta de apoyo para agricultores, cooperativas, almazaras y gestores agrícolas, al facilitar estimaciones de cosecha más precisas y anticipadas que permitan optimizar tanto las decisiones agronómicas como la planificación comercial.
El trabajo también pone de relieve el potencial de combinar inteligencia artificial, observación de la Tierra y ciencia de datos para desarrollar modelos de producción más eficientes, sostenibles y adaptados a los efectos del cambio climático sobre el olivar mediterráneo.
Investigación aplicada al futuro del olivar
El estudio se enmarca en un doctorado industrial desarrollado conjuntamente por AgrowingData y el Centro de Estudios e Investigación para la Gestión de Riesgos Agrarios y Medioambientales (CEIGRAM-UPM), centrado en el desarrollo de herramientas basadas en inteligencia artificial, análisis de datos e imágenes satelitales para aumentar la resiliencia de los sistemas agrícolas mediterráneos.
Los resultados han sido publicados en la revista científica Agronomy bajo el título «Climate-Smart Framework for Olive Yield Estimation Integrating Soil Properties, Thermal Time, and Remote Sensing NDVI Time Series», firmado por Rosa Gutiérrez-Cabrera, Javier Borondo y Ana María Tarquis.
