📄 agricultura

Evaluating Machine Learning and Deep Learning Models for Predicting Rice Vegetation Condition in Acadia, Louisiana

Este estudio evaluó siete modelos de aprendizaje automático y aprendizaje profundo utilizando 12,544 temporadas de campos de arroz en Acadia, Luisiana, encontrando que el Gradient Boosting logró la mayor precisión predictiva (R² = 0.960) y que el Índice de Diferencia Normalizada de Agua (NDWI) fue el predictor dominante de la condición de la vegetación del arroz, superando ampliamente a otras variables ambientales.

Autores originales: Desmond Fosuhene, Dorcas Twumwaa Gyan, Kingsford Kobina Annan, Theodora Mary Fletcher, Bhuwan Thapa, Ebenezer Nana Kwaku Boateng

Publicado 2026-10-05

📖 5 min de lectura🧠 Análisis profundo

CC BY 4.0

Autores originales: Desmond Fosuhene, Dorcas Twumwaa Gyan, Kingsford Kobina Annan, Theodora Mary Fletcher, Bhuwan Thapa, Ebenezer Nana Kwaku Boateng

Artículo original bajo licencia CC BY 4.0 (https://creativecommons.org/licenses/by/4.0/). ✨ Esta es una explicación generada por IA del artículo a continuación. No ha sido escrita ni avalada por los autores. Para mayor precisión técnica, consulte el artículo original. Leer descargo de responsabilidad completo

El arroz es un alimento básico para miles de millones de personas, pero su cultivo es un delicado acto de equilibrio que depende en gran medida del agua y el clima. En muchas partes del mundo, los agricultores carecen de las herramientas para comprobar rápidamente cómo progresan sus cultivos, especialmente cuando los patrones climáticos cambian de forma impredecible. Para resolver esto, los científicos han recurrido a los satélites, que actúan como ojos en el cielo, capturando imágenes de la superficie terrestre a lo largo del tiempo. Al analizar la luz reflejada de los campos, los investigadores pueden calcular números específicos que revelan qué tan verde es un cultivo y cuánta agua contiene. Estos números, conocidos como índices espectrales, permiten a los expertos monitorear la salud de las plantas sin tener que poner un pie en el campo. El desafío radica en convertir estos vastos flujos de datos satelitales en predicciones claras y fiables sobre las condiciones de los cultivos, una tarea que requiere programas informáticos sofisticados capaces de encontrar patrones en información compleja.

En el corazón de la producción de arroz de la parroquia de Acadia, Luisiana, un equipo de investigadores se propuso probar qué programas informáticos funcionan mejor para predecir la salud de las plantas de arroz. Se centraron en una región donde el arroz se cultiva en campos inundados, un método que crea una relación única entre el agua de la superficie y las hojas verdes de arriba. Para ello, recopilaron una enorme cantidad de datos que abarcan dieciocho años, desde 2008 hasta 2025. Combinaron imágenes satelitales del programa Landsat, que ha estado fotografiando la Tierra durante décadas, con registros locales de lluvia, temperatura y la forma del terreno. El equipo analizó más de doce mil temporadas de campo individuales, creando una imagen detallada de cómo cambiaron los campos de arroz de un año a otro. Su objetivo no era solo adivinar el futuro, sino comprender exactamente qué factores —como la cantidad de agua en el suelo o la temperatura del aire— eran los más importantes para explicar por qué algunos campos de arroz parecían más saludables que otros en una temporada determinada.

Para encontrar la mejor manera de realizar estas predicciones, los investigadores probaron siete tipos diferentes de modelos informáticos. Algunos de estos modelos se basaban en líneas matemáticas simples, mientras que otros eran sistemas complejos inspirados en la forma en que el cerebro humano aprende, conocidos como aprendizaje profundo (deep learning). También probaron herramientas potentes que construyen muchos árboles de decisión pequeños para llegar a una respuesta final, un método llamado aprendizaje de conjunto (ensemble learning). Antes de ejecutar las pruebas, el equipo eliminó cuidadosamente la influencia del año específico de sus datos. Este paso fue crucial porque les permitió ver cómo diferían los campos individuales entre sí dentro de una misma temporada, en lugar de simplemente ver cómo cambiaba toda la región de un año al siguiente. Cuando compararon los resultados, cada uno de los modelos funcionó con alta precisión, pero los métodos de conjunto, particularmente uno llamado Gradient Boosting, superaron ligeramente a los demás. Este modelo de alto rendimiento fue capaz de explicar casi toda la variación predecible en la salud del arroz, demostrando que estos enfoques informáticos son altamente efectivos para este tipo de monitoreo agrícola.

Sin embargo, el descubrimiento más sorprendente no fue sobre qué programa informático funcionaba mejor, sino sobre a qué observaba realmente la computadora para tomar sus decisiones. El análisis reveló que el factor más importante para predecir la salud del arroz era una medición específica del agua superficial, conocida como Índice de Diferencia Normalizada de Agua (NDWI). Este índice mide cuánta agua abierta es visible en el campo. En contraste, otros factores que se podría esperar que fueran críticos, como la cantidad total de lluvia que cayó durante la temporada de cultivo o la temperatura promedio, tuvieron casi ningún impacto en las predicciones del modelo una vez que se contabilizaron las diferencias de un año a otro. Los investigadores descubrieron que en este entorno específico, donde los agricultores gestionan cuidadosamente la inundación de sus campos, la cantidad de agua que se asienta en la superficie cuenta toda la historia de la condición del cultivo. La computadora aprendió que a medida que el arroz crece y cubre el agua, la señal del agua superficial cambia de una manera predecible que coincide perfectamente con la salud de las plantas.

Este estudio demuestra que, para el arroz de riego por inundación, la clave para entender la salud del cultivo reside en observar el agua. Los investigadores demostraron que, mediante el uso de registros satelitales a largo plazo y modelos informáticos robustos, es posible crear un sistema fiable para monitorear los campos de arroz en áreas extensas. Si bien los modelos de aprendizaje profundo más complejos funcionaron bien, los métodos de conjunto, ligeramente más sencillos, resultaron ser las herramientas más eficientes y precisas para la tarea. Los hallazgos sugieren que los agricultores y planificadores agrícolas no necesitan depender de una amplia gama de datos meteorológicos complicados para rastrear el crecimiento del arroz en sistemas de riego gestionados; en su lugar, centrarse en la firma espectral del agua misma proporciona la imagen más clara. Este enfoque ofrece una forma práctica y escalable de vigilar uno de los alimentos más importantes del mundo, asegurando que la información necesaria para apoyar estos cultivos esté disponible de manera rápida y precisa.

Resumen Técnico: Evaluación de Modelos de Aprendizaje Automático y Aprendizaje Profundo para la Predicción de la Condición de la Vegetación del Arroz en Acadia, Luisiana

Planteamiento del Problema
La producción de arroz es cada vez más vulnerable a la variabilidad climática; sin embargo, muchas regiones productoras de arroz carecen de la infraestructura de observación terrestre necesaria para evaluaciones oportunas de la condición del cultivo. Si bien la teledetección ofrece una solución escalable, la integración de conjuntos de datos satelitales y ambientales de múltiples fuentes sigue siendo un desafío debido a las diferencias en la resolución espacial, la sincronización temporal y las características radiométricas. Además, la literatura existente a menudo evalúa solo un número limitado de algoritmos o se centra en predicciones a corto plazo, lo que deja un vacío en la comprensión de qué enfoques de modelado funcionan de manera más consistente para el monitoreo de la vegetación a largo plazo en paisajes irrigados. Adicionalmente, los modelos convencionales de aprendizaje automático (ML) y de aprendizaje profundo (DL) a menudo fallan al no considerar explícitamente el contexto geoespacial, como las dependencias espaciales y la heterogeneidad ambiental, lo que puede conducir a predicciones sesgadas.

Metodología
Este estudio evaluó siete enfoques de modelado para predecir la condición de la vegetación del arroz (representada por el Índice de Vegetación de Diferencia Normalizada, NDVI) en la parroquia de Acadia, Luisiana, utilizando datos de 2008 a 2025.

Fuentes de Datos: El análisis integró 12,544 observaciones de la temporada de cultivo derivadas de:
- Imágenes Satelitales: Landsat Colección 2 Nivel-2 de reflectancia de superficie (Landsat 5, 7, 8 y 9) para calcular índices espectrales: NDVI, Índice de Vegetación Mejorado (EVI), Índice de Humedad de Diferencia Normalizada (NDMI) e Índice de Agua de Diferencia Normalizada (NDWI).
- Variables Ambientales: Precipitación mensual y temperatura del aire a 2 m del suelo provenientes de la reanálisis ERA5-Land, y la pendiente del terreno del modelo digital de elevación SRTM.
- Datos de Cultivo: Linderos de campos de arroz derivados de la Capa de Datos de Cultivos (CDL) de la USDA-NASS.
Preprocesamiento e Ingeniería de Características:
- Los datos fueron procesados en Google Earth Engine, con la aplicación de máscaras de nubes y la generación de compuestos medianos mensuales.
- Se aplicó un procedimiento de "efectos fijos anuales" (desmediación) a todas las variables. Esto eliminó los factores de confusión interanuales (por ejemplo, diferencias de sensores, tendencias climáticas a largo plazo) para aislar las variaciones intra-anuales en la condición de la vegetación en relación con los predictores ambientales.
- El conjunto de datos final incluyó el área del campo, NDWI, NDMI, precipitación acumulada de la temporada de crecimiento, temperatura media de la temporada de crecimiento y la pendiente del terreno como predictores.
Modelos Evaluados: Siete modelos fueron entrenados y probados utilizando validación cruzada aleatoria de cinco pliegues (five-fold):
- Modelos Lineales: Regresión Lineal, Regresión Ridge.
- Modelos de Conjunto Basados en Árboles: Random Forest, Gradient Boosting, XGBoost, LightGBM.
- Aprendizaje Profundo: Una red neuronal de alimentación hacia adelante (Perceptrón Multicapa) con tres capas ocultas.
Métricas de Evaluación: El rendimiento se evaluó mediante el coeficiente de determinación ( $R^2$ ), el Error Cuadrático Medio (RMSE) y el Error Absoluto Medio (MAE). La importancia de las variables se determinó mediante métricas basadas en la impureza (de los modelos de árboles) e importancia de características por permutación en un conjunto de datos de control independiente.

Resultos Clave

Desempeño de los Modelos: Los siete modelos alcanzaron una alta precisión predictiva. Los métodos de conjunto basados en árboles superaron a los enfoques lineales y de aprendizaje profundo, aunque las diferencias fueron marginales.
- Gradient Boosting logró el mayor desempeño ( $R^2 = 0.960 \pm 0.002$ ).
- LightGBM, Random Forest y XGBoost le siguieron de cerca ( $R^2 \approx 0.958–0.959$ ).
- La Red Neuronal Profunda alcanzó un $R^2 = 0.956 \pm 0.002$ .
- Regresión Lineal y Ridge arrojaron el desempeño más bajo ( $R^2 \approx 0.947–0.948$ ).
Importancia de las Variables: El análisis de importancia de características por permutación reveló un predictor dominante:
- El NDWI (Índice de Agua de Diferencia Normalizada) fue el predictor abrumadoramente dominante, con una importancia de permutación ( $\Delta R^2$ ) de 1.708.
- El NDMI fue el segundo más importante ( $\Delta R^2 = 0.034$ ).
- Todas las demás variables (área del campo, precipitación, temperatura, pendiente) tuvieron contribuciones insignificantes ( $\Delta R^2 \leq 0.002$ ).
Estructura de Correlación: Se observó una fuerte correlación negativa ( $r = -0.963$ ) entre NDVI y NDWI, lo que refleja el cambio fenológico de campos inundados (alto NDWI, bajo NDVI) a vegetación densa (bajo NDWI, alto NDVI).

Contribuciones Clave

Evaluación Comparativa de Modelos: El estudio proporciona una comparación sistemática de múltiples algoritmos de ML y DL para el monitoreo de la vegetación del arroz a largo plazo, demostrando que los métodos de conjunto basados en árboles ofrecen una ventaja de precisión marginal pero consistente sobre el aprendizaje profundo y los modelos lineales para esta tarea geoespacial tabular específica.
Identificación de Predictores Dominantes: La investigación cuantifica la importancia relativa de los impulsores ambientales, estableciendo que la dinámica espectral del agua superficial (capturada por el NDWI) explica casi toda la variación predecible en la condición de la vegetación del arroz en sistemas de irrigación gestionados tras controlar los factores temporales.
Aplicación de Marco de Trabajo GeoAI: El estudio sitúa el modelado predictivo dentro de un marco de GeoAI, resaltando la necesidad de controlar los factores de confusión temporales (mediante efectos fijos anuales) para evaluar con precisión el poder explicativo de las variables ambientales.

Significancia y Reivindicaciones
Los autores afirman que estos hallazgos ofrecen orientación práctica para la selección de modelos de GeoAI y predictores espectrales robustos para el monitoreo agrícola basado en satélites. Específicamente:

Utilidad Operativa: Se identifica que los modelos de conjunto basados en árboles son particularmente adecuados para el apoyo a la toma de decisiones operativas debido a su equilibrio entre precisión, eficiencia computacional e interpretabilidad.
Estrategia de Monitoreo: La dominancia del NDWI sugiere que las observaciones satelitales rutinarias de la dinámica del agua superficial pueden caracterizar eficazmente el desarrollo del cultivo en sistemas de irrigación gestionados sin depender fuertemente de datos climáticos o de terreno auxiliares.
Escalabilidad: El estudio demuestra que la integración de observaciones satelitales a largo plazo con el aprendizaje automático proporciona un enfoque escalable para el monitoreo de las condiciones de la vegetación del arroz en paisajes agrícolas irrigados.

El documento mantiene un tono modesto respecto a sus limitaciones, reconociendo que el uso de NDVI puede saturarse bajo doseles densos, que el enfoque de efectos fijos anuales limita la capacidad de pronóstico directo de futuras temporadas no vistas, y que el desajuste de resolución espacial de los datos de entrada pudo haber ocultado la contribución de las variables de terreno y clima. Los autores sugieren que trabajos futuros exploren enfoques de modelado espacialmente explícitos (por ejemplo, regresión ponderada geográficamente) y validen estos hallazgos en regiones con diferentes prácticas de irrigación y topografías.

Resumen Técnico: Evaluación de Modelos de Aprendizaje Automático y Aprendizaje Profundo para la Predicción de la Condición de la Vegetación del Arroz en Acadia, Luisiana

Más como este