Spatiotemporal Canopy Temperature Forecasting for Precision Irrigation Management

Resumen Técnico: Pronóstico Espaciotemporal de la Temperatura del Dosel para la Gestión de Riego de Precisión

Planteamiento del Problema
La temperatura del dosel ($T_c$) es un indicador fisiológico crítico del estrés hídrico y térmico en el algodón, ampliamente utilizado en Australia y EE. UU. para programar el riego mediante "horas de estrés" (horas acumuladas donde $T_c > 28^\circ\text{C}$). Actualmente, aproximadamente el 60% de los productores de algodón australianos dependen de un único sensor de $T_c$ in situ para representar toda un área de gestión. Esta "suposición de uniformidad" no tiene en cuenta la sustancial variabilidad espacial en la $T_c$ causada por la distribución no uniforme del agua, la heterogeneidad del suelo y los microclimas. En sistemas de riego por surcos, los cultivos adyacentes pueden exhibir diferencias de $T_c$ de $2-3^\circ\text{C}$, lo que conduce a decisiones de riego divergentes (con una diferencia de hasta dos eventos de riego por temporada) y una aplicación de agua suboptimal. Si bien la detección espacial de $T_c$ mediante Vehículos Aéreos No Tripulados (VANT/UAV) y satéltes es factible, los métodos existentes suelen ser retrospectivos o requieren datos espaciotemporales de alta resolución prohibitivamente costosos (por ejemplo, imágenes térmicas continuas) que no están disponibles para la mayoría de las granjas. Existe la necesidad de un modelo de pronóstico espaciotemporal (ET) con visión de futuro que utilice restricciones de datos prácticas (pocos sensores, imágenes semanales, pronósticos meteorológicos) para permitir decisiones de riego de tasa variable.

Metodología: El Modelo UAV-linear
Los autores proponen UAV-linear, un nuevo modelo de pronóstico espaciotemporal diseñado para generar pronósticos horarios de alta resolución de la $T_c$ espacial para un horizonte de 7 días. El modelo integra tres fuentes de datos:

1. Sensores in situ: Un pequeño número de sensores de $T_c$ terrestres existentes (típicamente 3–4).
2. Teledetección: Imágenes de infrarrojo térmico (TIR) semanales (simuladas o reales) que proporcionan instantáneas espaciales.
3. Pronósticos Meteorológicos: Datos meteorológicos predictivos (temperatura del aire, humedad, radiación solar, velocidad del viento).

La metodología procede en dos pasos:

1. Pronóstico Temporal: Se utilizan modelos de series temporales precisos (específicamente lightGBM, auto-ARIMA y periodiCTs) para pronosticar la $T_c$ para los sensores de referencia in situ basados en covariables meteorológicas.
2. Interpolación Espacial: Un enfoque de escalado generalizado y armónico adapta el pronóstico de referencia a ubicaciones no medidas. El modelo asume que la diferencia espacial entre un sensor de referencia y una ubicación objetivo es relativamente estable durante un intervalo semanal. Aplica un ajuste armónico residual basado en la diferencia entre el sensor de referencia y la media de la $T_c$ del mediodía del sensor objetivo (derivada de la imagen semanal).

El pronóstico para una ubicación objetivo $ctx$ en el tiempo $t$, basado en un sensor de referencia $cts$, se define como:
$$\hat{T}_{ctx}(cts, t) = \begin{cases} a_1 \hat{T}_{cts}(t) + a_2 [g(t) * (\bar{T}_{ctx}(t_i) - \bar{T}_{cts}(t_i))] + a_3 t_{day} + a_4, & \text{si } 9 \le t_{hour} \le 21 \\ \hat{T}_{cts}(t), & \text{en otro caso} \end{cases}$$
Donde $g(t)$ es una función senoidal que alcanza su máximo a las 14:00, y $\bar{T}$ representa la media de la $T_c$ de 11:00 a 14:00 derivada de las observaciones semanales. Este enfoque evita la necesidad de redes de sensores de alta densidad o modelos geoestadísticos complejos que requieren una fuerte autocorrelación espacial, que a menudo es débil en campos agrícolas debido a efectos locales no lineales.

Contribuciones Clave y Resultados
El estudio evalúa UAV-linear utilizando dos conjuntos de datos de granja única (riego alto y riego bajo) y un conjunto de datos práctico a gran escala que cubre 22 ubicaciones en 50,000 hectáreas.

• Desempeño vs. Baselines: UAV-linear supera significativamente el enfoque estándar de "no transferencia" (usar un solo sensor para toda la granja). En escenarios de bajo riego (alto estrés), mejoró la predicción de horas de estrés en un 25–35% en comparación con la suposición uniforme.
• Comparación con Modelos Ideales: Sorprendentemente, UAV-linear logró una precisión comparable a los modelos independientes "ideales" entrenados con datos históricos exhaustivos de todos los sensores. Por ejemplo, en el conjunto de datos de bajo riego, el Error Absoluto Medio (MAE) para $T_c > 28^\circ\text{C}$ usando UAV-linear con solo 3 sensores estuvo a menos de $0.05^\circ\text{C}$ del modelo independiente que utiliza todo el historial de los sensores.
• Validación Práctica: A través de las 22 ubicaciones prácticas (que representan diversas granjas y prácticas de gestión), UAV-linear mejoró la predicción de horas de estrés en un 22% respecto a la suposición uniforme, manteniendo una precisión comparable a los puntos de referencia históricos. Redujo la incertidumbre en las decisiones de riego, con una desviación estándar del error tres veces menor que el enfoque de un solo sensor.
• Robustez: El modelo demostró que las "imágenes simuladas" semanales (derivadas de los promedios de los sensores al mediodía) son suficientes para capturar la estructura espacial de la $T_c$ para un pronóstico de 7 días, siempre que el patrón espacial de temperaturas elevadas permanezca estable.

Significancia y Reivindicaciones
El artículo afirma que UAV-linear proporciona un marco práctico y de bajo costo para la gestión de precisión diferenciada en sistemas de riego por surcos para el algodón. Al combinar datos in situ dispersos con teledetección semanal, el método extiende la gestión de la temperatura del dosel con visión de futuro desde mediciones puntuales hacia la toma de decisiones para toda la granja.

Los autores enfatizan que este enfoque aborda una brecha crítica: permitir las decisiones de riego antes de que ocurra el estrés en ubicaciones específicas, en lugar de reaccionar a mediciones puntuales que pueden no representar el campo. El estudio concluye que, si bien el modelo es simplificado y no captura interacciones espaciales complejas (que requerirían aprendizaje profundo y datos más densos), ofrece un nivel de precisión suficiente para mejorar la eficiencia en el uso del agua y el rendimiento del cultivo sin los costos prohibitivos de un monitoreo continuo de alta resolución. El trabajo sugiere que las prácticas actuales de un solo sensor son subóptimas y que integrar el pronóstico espaciotemporal puede entregar beneficios económicos y agronómicos medibles para los productores de algodón australianos.