Resumen de Estimación de la producción de cebada a partir de imágenes Sentinel-1, Sentinel-2 y variables climáticas

Cristian Iranzo, Raquel Montorio Llovería, Alberto García Martín

• español

  Estimar la producción de una explotación agrícola de forma precisa permite obtener información relevante a la hora de gestionar próximas campañas y evaluar las pérdidas provocadas por situaciones sinópticas adversas antes de la cosecha. El objetivo de este trabajo es explorar el desarrollo de un modelo capaz de estimar la producción de cebada en una pequeña explotación (127 ha), localizada en el municipio de Belchite (España). Los modelos se entrenan con variables temporales adaptadas al calendario de cultivo de la cebada en la explotación estudiada. Las variables se dividen entre las creadas con información climática y las creadas con imágenes procedentes de teledetección. Se utilizan imágenes en dos rangos del espectro electromagnético, i.e., las microondas y el óptico, tomadas con los satélites Sentinel-1 y Sentinel-2, respectivamente. Los modelos se definen utilizando todas las combinaciones de variables predictoras correlacionadas con la producción mediante una regresión lineal múltiple. El modelo con mejores resultados devuelve un error en la predicción de 57,38 kg/ha (4%). La utilización de variables espectrales, derivadas del índice de vegetación radar Cross Ratio (CR) y el óptico Inverted Red Edge Chlorophyll Index (IRECI), combinadas con variables climáticas y adaptadas al calendario del cultivo, se revela como una estrategia adecuada para obtener modelos precisos. 

• English

  A precise estimation of agricultural production provides relevant information for upcoming seasons, and helps in the assessment of crop losses before harvest in case of adverse situations. The objective of this work is to explore the development of a model capable of estimating barley production of a small agricultural production (127 ha) in Belchite, Spain. Variables adapted to the crop calendar of the growing barley are used to achieve that purpose. The variables have been created with weather data and remote sensing images. These images are acquired in two ranges of the electromagnetic spectrum, i.e., microwaves and optical spectral range, obtained from Sentinel-1 and Sentinel-2, respectively. Models are defined with a multiple linear regression method using all combinations of the independent  variables correlated with production. The best linear regression model has a prediction error of 57.38 kg/ha (4%). The use of spectral variables, derived from radar vegetation index Cross Ratio (CR) and optical Inverted Red Edge Chlorophyll Index (IRECI), and climatic variables adapted to the crop calendar and climatic conditioning is revealed as an adequate strategy to obtain adjusted models.