Un nuevo marco dinámico integra datos de satélites ópticos y de radar para supervisar la caña de azúcar en el Valle del Cauca, en Colombia

DINOSAR se enorgullece de anunciar la publicación de su primer artículo científico, dirigido por la Universidad de Alicante, con el apoyo de eLEAF, SarVision y AgroAp. Publicado en la revista IEEE Journal of Selected Topics in Applied Earth Observations and Remote Sensing (JSTARS), el trabajo presenta un método novedoso para estimar de forma continua la biomasa de la caña de azúcar a lo largo de toda la temporada de cultivo.

El reto es concreto: en el Valle del Cauca, en Colombia —una importante región productora de caña de azúcar con unas 237 000 hectáreas cultivadas—, la persistente nubosidad hace que solo alrededor del 20 % de las imágenes ópticas del Sentinel-2 sean utilizables. Sin embargo, las imágenes ópticas suelen ser las más sensibles al estado de la vegetación. La solución propuesta combina dos tipos de observaciones satelitales: datos de radar (SAR) del Sentinel-1, que pueden obtenerse independientemente de las condiciones meteorológicas, y datos ópticos (NDVI) del Sentinel-2.

El núcleo del método es un filtro de Kalman, que combina dos componentes: un modelo de evolución, basado en matrices de transición derivadas de datos de campo para describir cómo evoluciona naturalmente la biomasa semana tras semana, y un modelo de observación, basado en la regresión de «Random Forest», que relaciona las señales de satélite (retrodispersión SAR y coherencia en polarizaciones VV/VH, NDVI) con la biomasa real. Dependiendo de las imágenes disponibles en una semana determinada, el modelo actualiza su estimación utilizando únicamente datos SAR, únicamente datos ópticos, una combinación de ambos o ninguno de ellos.

Para validar el enfoque, se llevó a cabo una campaña de campo intensiva entre julio de 2024 y agosto de 2025, que abarcó 70 puntos de medición repartidos en 34 campos con diferentes tipos de suelo, variedades de caña de azúcar y edades de los rebrotes.

Los resultados son muy prometedores: el enfoque totalmente integrado alcanza un error medio de tan solo 103 gramos (RMSE) y 64 gramos (MAE) para plantas que producen entre 1 y 3 kg de biomasa, lo que supone una clara mejora con respecto a los métodos que se basan únicamente en el radar, exclusivamente en datos ópticos o en enfoques basados exclusivamente en el aprendizaje automático. El estudio también confirma que el radar es esencial: incluso por sí solo (sin datos ópticos), supera a las estimaciones basadas únicamente en el NDVI en esta región propensa a la nubosidad.

Este trabajo demuestra que un enfoque dinámico, que combine la modelización temporal con la fusión multisensor, ofrece un marco robusto y adaptable para el seguimiento operativo de los cultivos, especialmente en regiones donde la observación óptica se ve limitada por las condiciones meteorológicas. Encuentra el artículo en nuestra página de Zenodo.