Un estudio de las universidades de Córdoba y Sevilla desarrolla un método que permite comprobar, de forma sencilla y rápida, si una plantación de olivo es tradicional, intensiva o superintensiva.
El olivar tradicional, con árboles grandes y bien separados, está siendo sustituido por plantaciones de mayor densidad, como las intensivas o superintensivas, donde la separación entre ellas es menor. La productividad aumenta con estos tipos de plantaciones intensivas y superintensivas, pero también lo hace el uso de recursos, como el agua.
Debido a las consecuencias agronómicas y ambientales de esta transformación , así como a sus consecuencias económicas y socioculturales, las administraciones públicas implementan políticas y otorgan ayudas para modularla. Para ello, necesitan disponer de información actualizada en todo momento para saber cuántas hectáreas de cada tipo de plantación existen y a qué ritmo están cambiando.
Esta necesidad se satisface mediante un método basado en redes convolucionales, un tipo de red neuronal, desarrollado por un equipo de la Universidad de Córdoba en colaboración con la Universidad de Sevilla, que identifica automáticamente estos patrones en olivares mediante imágenes satelitales gratuitas de Sentinel-2. El trabajo se publica en la revista Computers and Electronics in Agriculture .
“El problema al que nos enfrentábamos es que, hasta ahora, disponíamos de esta información, gracias a las imágenes del PNOA (Plan Nacional de Ortofotografía Aérea), que tienen una gran resolución espacial, pero se actualizan cada 3 años, por lo que teníamos una información muy desactualizada”, explica Isabel Castillejo, investigadora del Departamento de Ingeniería Gráfica y Geomática de la UCO.
Para superar este problema, el equipo recurrió al uso de imágenes de Sentinel-2 (una misión de observación de la Tierra desarrollada por la ESA), disponibles gratuitamente cada 5 días. Sin embargo, estas imágenes presentan una resolución espacial menor, lo que dificulta la identificación de patrones, ya que las copas de los árboles no pueden observarse directamente en ellas. Aquí es donde entran en juego las Redes Neuronales Convolucionales (CNN), un tipo de técnica de análisis de aprendizaje profundo que se utiliza para tareas avanzadas de reconocimiento de patrones en datos.
“Entrenamos tres algoritmos de aprendizaje diferentes para detectar sistemas de plantación utilizando estas imágenes de satélite y descubrimos que el mejor de los tres (enfoque B) tenía una precisión del 80%, un porcentaje muy alto considerando la dificultad del problema y la resolución de las imágenes de entrada”, explica Cristina Martínez, investigadora del Departamento de Ingeniería Electrónica y de Computadores de la UCO.
Los investigadores señalan otra ventaja crucial de este método: la automatización total. «Con solo introducir un archivo de texto con el código de la parcela o la referencia catastral, se define la parcela con sus límites, y con esa información se identifican, descargan e introducen en la red las imágenes de satélite del período solicitado, lo que determina el tipo de olivar, todo ello de forma automatizada».
Este innovador método elimina la dependencia de los métodos tradicionales, que suelen implicar visitas de campo y muestreos aleatorios , ofreciendo así una alternativa más eficiente y precisa para la gestión y el seguimiento de los olivares. El equipo ya está investigando para aplicar este tipo de procesamiento mediante redes neuronales e imágenes satelitales al estudio y la predicción del estrés hídrico en los olivares .
Más información: Cristina Martínez-Ruedas et al., Evaluación de métodos basados en CNN para la discriminación de sistemas de plantación de olivos con imágenes Sentinel-2, Computers and Electronics in Agriculture (2025). DOI: 10.1016/j.compag.2025.110311
