En Israel, los garbanzos se cultivan principalmente con riego y producen hasta 6 toneladas por hectárea, una cifra muy superior a la media mundial. Para optimizar el riego de garbanzos, los científicos han desarrollado una herramienta de aprendizaje automático que combina imágenes satelitales y datos meteorológicos para monitorizar rápidamente la salud de las plantas en el campo.
El garbanzo ( Cicer arietinum L. ), una leguminosa, es una fuente importante de alimento y un componente clave en los sistemas agrícolas basados en cereales en zonas semiáridas. Sus proteínas, carbohidratos, grasas, minerales y vitaminas lo convierten en un alimento funcional de alta calidad para el ser humano.
Como leguminosa, los garbanzos son muy beneficiosos para la fertilidad del suelo debido a su simbiosis con bacterias fijadoras de nitrógeno y su efecto positivo en el contenido de carbono orgánico del suelo.
El segundo impulso a la producción mundial, después del frijol común ( Phaseolus vulgaris L. ), fue el cultivo de garbanzo, que se expandió a 14 millones de hectáreas con un rendimiento promedio de 1,15 toneladas por hectárea (2020-2022) (FAO, 2024). Sin embargo, el garbanzo es vulnerable a fenómenos climáticos extremos como la sequía y las altas temperaturas.
La sequía afecta al garbanzo en todas las etapas fenológicas, contribuyendo al 40% – 45% de la pérdida de rendimiento global, mientras que las altas temperaturas (≥35⁰C) durante el desarrollo reproductivo pueden reducir el rendimiento hasta en un 39%.
La sequía durante las etapas vegetativa y reproductiva puede reducir la acumulación de biomasa y perjudicar los procesos reproductivos. El estrés térmico perjudica características fisiológicas clave, como la eficiencia fotosintética y la estabilidad tisular.
Dados los graves impactos de la sequía y el calor, y el aumento previsto de fenómenos meteorológicos extremos, el desarrollo de capacidades de monitoreo a gran escala, repetido y en subcampos para evaluar las características fisiológicas del garbanzo podría mejorar la comprensión de la respuesta del cultivo a las variables condiciones ambientales y proporcionar a los agricultores información importante para tomar decisiones de gestión a lo largo de la temporada.
Para abordar el desafío de monitorear con precisión los garbanzos para tomar decisiones de riego, los científicos de la Universidad Hebrea de Jerusalén han creado una herramienta de aprendizaje automático que combina imágenes satelitales y datos meteorológicos.
La gran mayoría de las tierras de cultivo israelíes son de regadío, a diferencia de otras zonas productoras de garbanzos del mundo. El riego puede prolongar el período de floración y formación de vainas, lo que permite obtener mayores rendimientos por unidad de superficie.
El riego de garbanzos permite a los agricultores israelíes obtener rendimientos de hasta 6 toneladas por hectárea. En los sistemas agrícolas israelíes modernos, los garbanzos se siembran durante la temporada de lluvias (alrededor de enero) y su etapa vegetativa se extiende de febrero a mediados de marzo. El crecimiento reproductivo comienza durante el período de escasez de precipitaciones, entre marzo y abril, mientras que las temperaturas aumentan de forma constante y el cultivo experimenta una disminución gradual de la humedad del suelo. Durante este período crítico, los productores israelíes de garbanzos deben tomar decisiones sobre el momento y el volumen del riego. Dado que los garbanzos son indeterminados, regar demasiado pronto o en exceso puede estimular un crecimiento vegetativo excesivo a expensas del crecimiento reproductivo, mientras que regar demasiado tarde o demasiado poco puede provocar una sequía terminal.
Los extensionistas suelen asesorar sobre el estado morfofisiológico de los cultivos. Sin embargo, este tipo de estudio puede abarcar solo una pequeña parte del campo y no reflejar toda la variabilidad del subcampo.
El uso del aprendizaje automático para evaluar la salud fisiológica de los cultivos durante la temporada de crecimiento puede proporcionar a los agricultores información crucial de todo el campo. Estos datos pueden contribuir a la toma de mejores decisiones y a una gestión del riego más precisa.
Un rasgo fisiológico clave en el monitoreo de cultivos es el Índice de Área Foliar (IAF), que se asocia positivamente con la acumulación de biomasa seca y, por lo tanto, está estrechamente vinculado con el rendimiento del cultivo. Además, el estado del IAF en el campo puede utilizarse para estimar la transpiración de las plantas, lo cual es vital al considerar las opciones de riego.
El potencial hídrico de las hojas (LWP) proporciona información importante sobre el balance hídrico de una planta y es ampliamente utilizado por trabajadores de extensión agrícola y agricultores para la gestión del riego.
En particular, en contraste con la conocida estacionalidad del IAF durante el crecimiento del cultivo, el LWP es un rasgo altamente dinámico con un patrón diurno en respuesta a la temperatura y la humedad relativa y un patrón estacional en respuesta al contenido de agua del suelo.
Las mediciones directas en campo del IAF y el PLA son tediosas, requieren mucho tiempo y resultan poco prácticas para aplicaciones a gran escala. Como alternativa, se pueden utilizar imágenes satelitales para estimar las características de los cultivos con una resolución a nivel de parcela. Además, dado que la importancia de estas características para las decisiones de gestión agrícola varía según las fases fenológicas, es fundamental evaluar la precisión del modelo en diferentes etapas de crecimiento.
La familia de satélites de observación de la Tierra Sentinel-2 proporciona información espectral desde el espectro visible hasta el infrarrojo de onda corta con un tiempo de retorno global de cinco días y una resolución espacial terrestre de 10 m a 60 m para diferentes canales.
Diversos estudios han demostrado la viabilidad de estimar el IAF de cultivos extensivos utilizando bandas e imágenes reales de Sentinel-2. Todos ellos destacan el Índice de Vegetación de Diferencia Normalizada (IFV) mediante las bandas de infrarrojo cercano y rojo como un indicador sólido de las diferentes condiciones del IAF durante la temporada de crecimiento. Los estudios sobre la estimación del PLV de cultivos extensivos utilizando Sentinel-2 son limitados, pero un estudio sobre algodón, un cultivo indeterminado como el garbanzo, demostró las ventajas de utilizar todas las bandas espectrales de Sentinel-2 para mejorar la precisión de la estimación.
Debido al potencial de Sentinel-2 para estimar el IAF y el PPA de otros cultivos, así como a su resolución espacial, espectral y temporal, y a la disponibilidad de datos gratuitos y a largo plazo, se seleccionó como plataforma espacial para el presente estudio. Dado el importante impacto de las condiciones meteorológicas en las características fisiológicas del garbanzo, la incorporación de datos meteorológicos en modelos de aprendizaje automático para la estimación de características puede resultar útil.
Es importante tener en cuenta que las imágenes satelitales y los datos meteorológicos se caracterizan por dimensiones espaciales y temporales. El uso de modelos de aprendizaje automático para entrenar con estos datos debe realizarse con mucha precaución, ya que el error de generalización puede depender en gran medida de la estrategia de validación.
Se ha demostrado que dividir aleatoriamente los datos de todos los conjuntos de datos meteorológicos y/o de teledetección analizados por algoritmos de aprendizaje automático puede conducir a resultados demasiado optimistas.
El objetivo principal de este estudio fue desarrollar un sistema que permitiera a los productores de garbanzo obtener estimaciones espaciales del IAF y el PPA directamente de los campos comerciales, lo que permitiría un monitoreo repetido y exhaustivo a lo largo de la temporada de crecimiento, una capacidad de la que carecen actualmente los productores de garbanzo. Estas estimaciones espaciales buscan ayudar a los productores de garbanzo a tomar decisiones de gestión más informadas, fundamentadas y precisas.
Además, se implementó una estrategia de validación “dejar en campo” para reflejar escenarios agrícolas reales y los resultados se compararon con una validación aleatoria.
Cabe destacar que los productores de garbanzo priorizan diferentes características durante la temporada de crecimiento, siendo el IAF crítico en las etapas iniciales y el PEL cobra importancia después de la floración, cuando las decisiones de riego son inminentes. Por lo tanto, se evaluó el rendimiento del modelo en diferentes etapas fenológicas. Se realizó un análisis de importancia de las características para evaluar la contribución de las variables espectrales y meteorológicas, y se desarrollaron mapas de características de series temporales para el IAF y el PEL para ilustrar su utilidad operativa para los agricultores y proporcionar información sobre el desarrollo del dosel y el momento del riego.
Se inspeccionaron diecisiete campos de garbanzo para realizar mediciones de LWP, y catorce de ellos también se inspeccionaron para la recopilación de datos de campo del IAF durante las temporadas de cultivo de 2022 y 2023. Todos los campos se sembraron con variedades modernas de garbanzo Kabuli, según las prácticas locales habituales. La información sobre variedades, fechas de siembra e inicio del riego, y fechas de floración se obtuvo de los agricultores o se registró durante las campañas de campo. La precipitación media anual de treinta años (1991-2020) en todos los sitios osciló entre 400 y 600 mm.
Este estudio demuestra por primera vez en la investigación del garbanzo la viabilidad de estimar espacialmente el LAI y el LWP utilizando modelos de aprendizaje automático basados en Sentinel-2 y datos meteorológicos, lo que representa una contribución nueva y significativa al campo.
Este enfoque reveló la alta eficacia de la integración de los datos espectrales de Sentinel-2 con las variables meteorológicas. Los modelos lograron una alta precisión en la estimación de los índices de área foliar e identificaron los niveles de estrés hídrico, incluso con la variabilidad del entorno real en 17 campos comerciales. Al superponer mapas fisiológicos a los programas de riego, los científicos también demostraron cómo los productores de garbanzo podían responder proactivamente a las necesidades del cultivo y mejorar el rendimiento.
Esta investigación sienta las bases para el desarrollo de herramientas de agricultura de precisión que aborden directamente las necesidades de los productores de garbanzos de un monitoreo repetido, preciso y práctico de las características del cultivo durante toda la temporada de crecimiento para respaldar decisiones informadas sobre riego y gestión.
Las futuras investigaciones se centrarán en mejorar la disponibilidad de los datos mediante la integración de estos modelos en plataformas digitales como Google Earth Engine (GEE), lo que facilitará su aplicación en tiempo real y mejorará su usabilidad. Además, con el rápido desarrollo de la inteligencia artificial, el estudio y la aplicación de nuevos algoritmos tienen un gran potencial para mejorar aún más la precisión y la fiabilidad de la caracterización del garbanzo.
Fuente: Revista Europea de Agronomía, doi.org/10.1016/j.eja.2025.127632
