Integración SAR-óptica para un monitoreo confiable de cultivos: lecciones del proyecto DINOSAR

Integración de datos ópticos y de radar satelital para la estimación cuantitativa de la biomasa en la caña de azúcar: el enfoque DINOSAR

En el XXXII Congreso de la ISSCT (Cali, agosto de 2025), Alejandro Mestre Quereda, de la Universidad de Alicante, presentó una novedosa metodología que integra datos de observación de la Tierra con modelos dinámicos de cultivos para mejorar el seguimiento de la caña de azúcar. Financiado por la Comisión Europea, el proyecto aborda las limitaciones de los enfoques convencionales basados principalmente en índices de vegetación, y se orienta hacia la estimación cuantitativa de variables biofísicas, con especial atención a la biomasa aérea.

La metodología aprovecha datos de teledetección de múltiples fuentes:

• Sentinel-1 (SAR, banda C): resistente a la cobertura nubosa, proporciona información estructural sobre el desarrollo del dosel y los tallos.
• Sentinel-2 (óptico multiespectral): rica información espectral, esencial para la caracterización fisiológica.

Estas observaciones satelitales se complementan con una extensa campaña de campo realizada durante un año en el valle del Cauca. Se recopilaron mediciones semanales de 34 campos y 70 puntos de muestreo, que abarcaban la biomasa, la altura de las plantas, el diámetro de los tallos y el peso de las hojas y los tallos. Tras un riguroso proceso de control de calidad, los datos se formatearon para DINOSAR y se cargaron en la plataforma FieldLook para su visualización y análisis.

El marco de modelización se basa en un enfoque de espacio de estados, que consta de dos componentes principales:

• un modelo de evolución (teoría de sistemas dinámicos), que simula el crecimiento temporal de las variables de los cultivos en función de los estados anteriores y las trayectorias previstas;
• un modelo de observación, que vincula los datos de teledetección con las variables medidas sobre el terreno. En esta fase, se ha implementado un esquema de regresión de bosque aleatorio, utilizando imágenes SAR/ópticas y el día de la temporada (DoS) como predictores.

Ambos modelos se combinan mediante un filtro de Kalman, que garantiza estimaciones óptimas al fusionar las predicciones con las observaciones satelitales disponibles. El sistema puede funcionar en diferentes escenarios: solo predicción (sin datos satelitales disponibles), solo SAR, solo óptico o integración completa SAR + óptico.

Los resultados demuestran claramente la superioridad del enfoque integrado. Mientras que los modelos independientes o las integraciones parciales adolecen de contaminación por nubes (solo óptico) o de una sensibilidad reducida a los rasgos fisiológicos (solo SAR), la integración completa de los datos SAR y ópticos reduce significativamente el RMSE y el MAE en la estimación de la biomasa, validada a través de 100 iteraciones de validación cruzada con puntos de referencia independientes sobre el terreno.

Esta investigación destaca el potencial de la fusión de datos multisensoriales para la agricultura de precisión, ya que ofrece estimaciones de biomasa procesables a escala semanal. En el futuro, se sustituirán los actuales modelos de observación empírica por modelos ópticos y SAR basados en la física, lo que permitirá mejorar la precisión, aumentar la generalización y facilitar el despliegue operativo en diversas regiones productoras de caña de azúcar.