Detección de riego mediante series temporales Sentinel‐1 y Sentinel‐2 sobre campos de frutales

Abstract

En países caracterizados por climas áridos y semiáridos, el riego juega un papel importante porque reduce la pérdida de rendimiento afectada por el estrés hídrico. Sin embargo, la sobreexplotación del agua por parte del sector agrícola puede conducir a la escasez de recursos hídricos. Es por esto que la extensión de los campos de regadío ha requerido la implementación de diversas estrategias y políticas de riego para el ahorro de agua. La gestión eficaz del agua regional o de mayor escala depende de la demanda de riego estimada a partir de mapas de áreas irrigables o de estadísticas nacionales y regionales de áreas irrigadas, que a menudo son inexactas. Estos datos estadísticos no siempre son de calidad confiable porque: (i) generalmente no reflejan en el tiempo la distribución espacial de las áreas irrigadas y de secano, (ii) también cuando los agricultores no reportan el riego. En consecuencia, una distribución espacial más actualizada del área de riego es importante para garantizar la aplicación de políticas regionales de agua. Por lo tanto, el mapeo preciso de las áreas irrigadas es esencial. En este contexto, la teledetección proporciona métodos fiables para recuperar información agrícola útil a partir de sus registros derivados. El uso combinado de datos de observación de la tierra ópticos y de radar aumenta la probabilidad de detectar eventos de riego que pueden mejorar la precisión del mapa de riego. Es por ello que nos propusimos explotar Sentinel‐1 (VV y VH) y Sentinel‐2 (NDVI) de las Misiones Sentinel para clasificar los frutales de regadío de los de secano sobre un área de estudio situada en la región de Castilla La‐Mancha donde se encuentran árboles frutales como la vid, el almendro y el pistacho que están aumentando sus superficies alcanzando cerca del 31% de la superficie total de regadío en 2021. Esta expansión es consecuencia del aumento de los precios de la almendra y los bajos precios de los cereales en el mercado internacional lo que ha provocado la aparición de prácticas ilegales de riego que deben ser detectadas para garantizar una adecuada gestión de los recursos hídricos. Para obtener las series temporales de los índices derivados de las misiones espaciales Sentinel‐1 y Sentinel‐2, que constituyen los datos de entrada de los algoritmos empleados en la posterior clasificación que detecta las parcelas con los cultivos de interés, se ha desarrollado una herramienta que automatiza el uso de Sentinel‐Hub para calcular en el propio servicio y descargar únicamente los productos organizados por tiles para la región de interés y para toda la serie temporal, garantizando la repetibilidad espacial de cada píxel en todos los productos y fechas. La clasificación de parcelas de riego se realizó seleccionando el algoritmo de aprendizaje automático con mejor rendimiento entre todos los disponibles en la aplicación ʺClassification Learnerʺ de Matlab®. Nuestra metodología utilizada mostró resultados prometedores con una precisión general del 88,4% y, de hecho, la herramienta pudo detectar cuatro parcelas irrigadas que fueron clasificadas erróneamente como no irrigadas en la base de datos SIGPAC. Para evaluar estos resultados, aplicamos el método de detección de cambio del coeficiente de retrodispersión 𝜎􀯣 􀬴 a escala de parcela.