Un nuevo estudio presenta una herramienta de aprendizaje automático que combina imágenes satelitales y datos meteorológicos para monitorear la salud del cultivo de garbanzo.
por la Universidad Hebrea de Jerusalén
El sistema estima con precisión el Índice de Área Foliar (IAF) y el Potencial Hídrico Foliar (PHF) en campos comerciales, lo que ayuda a los agricultores a tomar decisiones de riego más inteligentes y a mejorar sus rendimientos. Esta investigación marca la primera aplicación a gran escala de esta tecnología en el cultivo de garbanzo.
Un estudio publicado en el European Journal of Agronomy ofrece a los agricultores de garbanzos una poderosa herramienta para tomar decisiones de riego más inteligentes y mejorar el rendimiento de los cultivos, gracias a los datos satelitales y al aprendizaje automático .
Dirigida por el doctorando Omer Perach, bajo la supervisión del Dr. Ittai Herrmann, en el Instituto Robert H. Smith de Ciencias Vegetales y Genética Agrícola, Facultad de Agricultura, Alimentación y Medio Ambiente, de la Universidad Hebrea de Jerusalén, la investigación integra imágenes satelitales Sentinel-2 de alta resolución con datos meteorológicos para estimar indicadores clave de la salud de las plantas: el Índice de Área Foliar (IAF) y el Potencial Hídrico Foliar (PHF). Estos indicadores son cruciales para comprender el desarrollo del dosel y el estrés hídrico en el garbanzo, un cultivo vital para las regiones semiáridas de todo el mundo.
Al combinar la ciencia de datos con la agronomía, los investigadores desarrollaron modelos de aprendizaje automático capaces de predecir las condiciones fisiológicas de todo el campo en plantaciones comerciales de garbanzo. Fundamentalmente, probaron los modelos con una estrategia de «dejar el campo fuera», imitando condiciones reales donde no se habían utilizado previamente campos nuevos para entrenar los modelos, lo que hace que la herramienta sea relevante y fiable para su uso práctico.
«Nuestro objetivo era crear algo que no solo funcionara en el laboratorio, sino que también ayudara a los agricultores en el campo», afirmó el autor principal, Omer Perach. «Con este sistema, podemos ofrecer a los agricultores mapas espaciales del desarrollo de las plantas y del estado hídrico en todo su campo. Este tipo de información permite un riego más preciso y oportuno».
Los modelos lograron una alta precisión para estimar el Índice de Área Foliar y pudieron distinguir entre diferentes niveles de estrés hídrico, incluso con la variabilidad del entorno real en 17 campos comerciales. Al superponer mapas fisiológicos con los programas de riego, los investigadores demostraron cómo los agricultores podían responder preventivamente a las necesidades de los cultivos y mejorar sus rendimientos.
«La respuesta de las plantas de garbanzo a los regímenes de riego se puede observar desde el espacio», afirmó el Dr. Ittai Herrmann. «Hemos desarrollado un método escalable para detectar la variabilidad dentro del campo utilizando datos satelitales gratuitos y datos de estaciones meteorológicas estándar. Esto ayuda a transformar la agricultura intuitiva en una gestión basada en datos».
El estudio sienta las bases para integrar estos modelos en plataformas como Google Earth Engine, donde los agricultores de todo el mundo pueden acceder a ellos, incluso en regiones con infraestructura técnica limitada.
Más información: Omer Perach et al., Integración de imágenes de Sentinel-2 y datos meteorológicos para estimar el índice de área foliar y el potencial hídrico foliar, con una estrategia de validación de hojas y hojas en campos de garbanzos, European Journal of Agronomy (2025). DOI: 10.1016/j.eja.2025.127632
