Predicting Paddy Rice NDVI from Meteorological Variables Using Linear Regression

Resumen Técnico: Predicción del NDVI de Arrozal mediante Variables Meteorológicas usando Regresión Lineal

Planteamiento del Problema
Los índices de vegetación, particularmente el Índice de Vegetación de Diferencia Normalizada (NDVI), son críticos para monitorear el crecimiento y la salud de los cultivos. Si bien el NDVI derivado de satélites ofrece una amplia cobertura espacial, sufre de limitaciones en la resolución temporal debido a condiciones climáticas (p. ej., nubes, precipitación) y ciclos de observación. Por el contrario, los sensores terrestres proporcionan datos in situ de alta frecuencia, pero carecen de amplitud espacial. Estas limitaciones dificultan la asignación oportuna de recursos y la toma de decisiones en la gestión de cultivos. Aunque se han propuesto diversos enfoques de aprendizaje automático (ML), incluyendo modelos de aprendizaje profundo como la Memoria a Corto y Largo Plazo (LSTM) para predecir el NDVI utilizando datos climáticos, estos suelen requerir principios físicos complejos o grandes conjuntos de datos y carecen de interpretabilidad. Este estudio aborda la necesidad de un modelo de predicción de NDVI rápido, preciso e interpretable para el arrozal que dependa de datos meteorológicos y sensores de reflectancia espectral terrestres, diseñado específicamente para entornos agrícolas donde la eficiencia computacional es primordial.

Metodología
El estudio desarrolló y evaluó modelos predictivos utilizando variables meteorológicas para estimar el NDVI diario promedio del arrozal.

• Recolección de Datos: Los datos se recolectaron durante cinco temporadas de crecimiento (2020–2024) en un único campo de arroz en Sacheon-si, Corea del Sur. Los datos meteorológicos (precipitación, humedad, radiación solar, temperatura, velocidad del viento) fueron registrados por hora por una estación meteorológica automática ATMOS-41. El NDVI se midió cada hora utilizando un sensor de reflectancia espectral (SRS) fijo en tierra.
• Variables de Entrada: Se consideraron ocho características: Temperatura Media Diaria (MTEM), Temperatura Acumulada (ATEM), Radiación Solar Diaria (SOL), Radiación Solar Acumulada (ASOL), Precipitación Diaria (DPR), Precipitación Acumulada (APR), Precipitación Antecedente de 3 días (PPR) y Días Después del Trasplante (DAT).
• Configuración del Modelo: El estudio generó 255 modelos distintos que representaban todas las combinaciones posibles de las ocho variables de entrada. Se emplearon dos algoritmos principales:
  1. Regresión Lineal Múltiple (MLR): Modelado de relaciones lineales entre variables dependientes e independientes.
  2. Regresión Polinómica (PR): Extensión de la regresión lineal para capturar relaciones no lineales utilizando términos cuadráticos (PR2) y cúbicos (PR3).
• Entrenamiento y Validación: Los modelos fueron entrenados utilizando el Descenso de Gradiente Estocástico (SGD) con regularización Elastic Net para prevenir el sobreajuste. Los hiperparámetros se optimizaron mediante GridSearchCV con validación cruzada de cinco pliegues (five-fold cross-validation).
• Métricas de Evaluación: El rendimiento se evaluó utilizando el Error Cuadrático Medio (MSE), la Raíz del Error Cuadrático Medio (RMSE), el Error Absoluto Medio (MAE) y el Coeficiente de Determinación ($R^2$).

Resultos Clave

• Rendimiento del Modelo: Los modelos de Regresión Polinómica (PR) superaron significativamente a los modelos de Regresión Lineal Múltiple (MLR). El mejor modelo PR3 (C8-1, utilizando las ocho variables) alcanzó un $R^2$ de 0.754, comparado con el mejor modelo MLR cuyo $R^2$ fue de 0.528.
• No Linealidad: El modelo PR2 demostró que capturar relaciones no lineales era crucial. Notablemente, un modelo PR2 de una sola variable utilizando únicamente "Días Después del Trasplante" (DAT) logró un $R^2$ de 0.582, superando a los modelos MLR de múltiples variables (por ejemplo, el modelo MLR de cinco variables C5-2 tuvo un $R^2$ de 0.528).
• Importancia de las Variables:
  • Alta Influencia: DAT, temperatura media diaria, temperatura acumulada, radiación solar diaria y radiación solar acumulada fueron los predictores más influyentes.
  • Variables Cúmulo vs. Diarias: Las variables acumulativas (ATEM, ASOL) exhibieron un mayor poder explicativo que sus contrapartes medias diarias (MTEM, SOL), lo que sugiere que las condiciones climáticas a largo plazo impulsan el vigor del cultivo más que las fluctuaciones a corto plazo.
  • Baja Influencia: Las variables relacionadas con la precipitación (DPR, APR, PPR) mostraron una capacidad predictiva relativamente baja.
• Complejidad vs. Precisión: El aumento de la complejidad del modelo de PR2 a PR3 produjo mejoras de rendimiento insignificantes (por ejemplo, el $R^2$ aumentó de 0.738 a 0.754 para el modelo de todas las variables). El estudio identificó que los modelos con cuatro o más variables en PR2 (por ejemplo, C4-60 con $R^2$ = 0.730) ofrecían un equilibrio práctico entre precisión y simplicidad.

Significancia y Reivindicaciones
Los autores afirman que los modelos basados en regresión lineal, específicamente cuando se mejoran con términos polinómicos, ofrecen una alternativa altamente efectiva a los modelos complejos de aprendizaje profundo (como LSTM) para la predicción del NDVI agrícola. El estudio destaca tres ventajas principales:

1. Interpretabilidad: A diferencia de los modelos de aprendizaje profundo de "caja negra", los modelos de regresión lineal y polinómica permiten la identificación clara de los factores meteorológicos influyentes.
2. Eficiencia Computacional: Estos modelos son computacionalmente ligeros, lo que los hace adecuados para la toma de decisiones en tiempo real en entornos agrícolas.
3. Robustez con Datos Limitados: Los modelos demostraron un rendimiento estable incluso con conjuntos de datos más pequeños, lo cual es una restricción frecuente en estudios de campos agrícolas específicos.

El artículo concluye que, si bien los modelos de aprendizaje profundo sobresalen en la captura de dependencias a largo plazo, el enfoque de regresión lineal propuesto proporciona una precisión predictiva comparable con mayor transparencia y eficiencia. El estudio sugiere que para el monitoreo del arrozal, centrarse en la temperatura acumulada y la radiación solar junto con la etapa de crecimiento (DAT) es más crítico que los datos de precipitación, particularmente en el clima húmedo del área de estudio. Los autores recomiendan investigaciones futuras sobre modelos híbridos que integren las fortalezas de ambos enfoques, tanto de regresión lineal como de aprendizaje profundo, así como investigaciones sobre el rendimiento de los modelos bajo condiciones climáticas extremas y en diferentes tipos de cultivos.