Quieres conocer cuál es el momento óptimo para plantar? Para fumigar? Para recolectar?. Sabías que dos de cada tres agricultores no cosechan en la fase de madurez adecuada?. Aquí abajo te describo un método completamente automatizado mediante el uso combinado de varios índices de vegetación como NDVI, NDWI, SAVI y EVI que podemos extraer del Satétile SENTINEL-2 en la plataforma COPERNICUS de la UE para conocer exactamente y anticipar las mejores decisiones de intervención sobre tus tierras.
Para comprender rápidamente, el gráfico de es un espectro de reflectancia para una superficie de grass (HIERBA) obtenido de una imagen Sentinel-2 L2A. Cada punto del gráfico representa la reflectancia media del suelo para distintas longitudes de onda, alineadas con las bandas espectrales del sensor Sentinel-2, que cubre desde el visible (VIS) hasta el infrarrojo cercano (NIR) y el infrarrojo de onda corta (SWIR). En verde oscuro el modelo (cómo normalmente reacciona la hierba a la luz, su reflectancia) y en verde claro (perdón soy un inepto con los colores) la medición específica sobre el punto que nos ocupa.
Por otro lado, si por ejemplo mido la reflectancia de la misma zona a lo largo del tiempo (Sentinel-2 ofrece una revisita de 5 días, lo que facilita el seguimiento temporal de la vegetación) , veo si la misma sube o baja, esto es importante como veremos más adelante.
Visualmente vemos cómo claramente la humedad cambia a lo largo del tiempo (de maner obvia) para lo cual muestro una secuencia de aproximadamente el mismo día del año de tres años diferentes, una imagen del Infrarrojo Cercano IR que muestra en rojo intenso las zonas con más humedad.
Si en lugar de medir puntualmente lo que hago es medir un área y extraer la media de todas las mediciones en una fecha o en una franja de tiempo determinada, tengo entonces unos datos sistemáticos que ya puedo tomar para medir por ejemplo la salud de la vegetación con un índice NDVI, que se calcula a partir de la reflectancia de la luz roja e infrarroja cercana IR de la vegetación.
El NDVI (Índice de Vegetación de Diferencia Normalizada) de Sentinel-2 es un índice que se utiliza para evaluar la salud y densidad de la vegetación, utilizando datos de las bandas rojas e infrarrojas cercanas de las imágenes Sentinel-2. Permite identificar áreas con vegetación, estimar su desarrollo y detectar cambios anormales en su crecimiento.
Los valores de NDVI varían de -1 a 1. Valores negativos indican ausencia de vegetación (agua, nieve, etc.), valores cercanos a cero indican superficies sin vegetación (rocas, suelo), y valores positivos indican vegetación, con mayor valor correspondiendo a vegetación más densa y saludable
NDVI = (B8 – B4) / (B8 + B4)
Para un cliente que desea determinar el momento óptimo para la siembra, la fumigación o la cosecha, podemos utilizar este mismo análisis de reflectancia (con datos normalizados para orregir variaciones atmosféricas residuales o nubosidad parcial), pero extendido de forma multitemporal y usando varios otros índices como el NDWI, SAVI, EVI, etc. (que explicaremos en detalle más adelante), para complementar la información espectral básica y relacionarla con la humedad del suelo, la cobertura vegetal y la temperatura superficial (si se cruza con otros sensores).
De momento sigamos con el NDVI, de él, conoceremos con certeza los momentos del año en los que la tierra ha estado más cargada de humedad (teniendo en cuenta y eliminando o no, si es necesario, mediciones con cobertura de nubes). Así podremos también analizar tendencias, se pueden detectar ventanas óptimas de humedad y temperatura del suelo que garanticen una mejor germinación y menor estrés hídrico inicial (propuesta de ventanas de siembra más estables según la variabilidad de la humedad interanual).
Pasamos ahora al NDWI: El NDWI (Índice Diferencial de Agua Normalizado) en Sentinel-2 es un índice espectral que se utiliza para identificar y mapear la presencia de agua en imágenes satelitales. Se calcula a partir de las bandas verde e infrarroja cercana y ayuda a diferenciar cuerpos de agua de otros elementos como la vegetación y el suelo.
Respecto a la interpretación, los valores positivos: generalmente indican la presencia de agua, con valores más altos correspondiendo a cuerpos de agua más limpios o con mayor contenido de agua. Los valores cercanos a cero pueden indicar suelo húmedo o vegetación con alto contenido de agua, mientras que los valores negativos suelen corresponder a suelo seco o vegetación con bajo contenido de agua.
NDWI = (B3 – B8) / (B3 + B8)
Pasamos ahora al SAVI, el Índice de Vegetación Ajustado al Suelo (SAVI) de Sentinel-2 es una transformación de imágenes que intenta reducir la influencia del brillo del suelo en la estimación de la vegetación, especialmente útil en áreas con vegetación escasa o etapas iniciales de crecimiento.
El SAVI es un índice de vegetación que se calcula a partir de las bandas del rojo y del infrarrojo cercano de las imágenes Sentinel-2, similar al NDVI (Índice de Vegetación de Diferencia Normalizada), pero con un factor de corrección adicional para el suelo.
El NDVI, aunque ampliamente utilizado, puede verse afectado por el brillo del suelo, especialmente en áreas con poca vegetación o donde el suelo es visible entre la vegetación. El SAVI intenta corregir este efecto utilizando un factor de ajuste del suelo, denominado L, que varía según la densidad de la vegetación.
SAVI= ((B8 – B4) / (B8 + B4 + L)) * (1 + L)
Por último veremos el índice EVI, este índice de Sentinel-2 es un índice que se utiliza para monitorear la salud de la vegetación, especialmente en áreas con alta densidad de biomasa. Se calcula a partir de las bandas 8 (infrarrojo cercano), 4 (rojo) y 2 (azul) de las imágenes Sentinel-2, utilizando una fórmula que ayuda a reducir el impacto de la atmósfera y del suelo en la señal de la vegetación.
EVI = G * ((B8 – B4) / (B8 + C1 * B4 – C2 * B2 + L))
*G: Ganancia (2.5 en Sentinel-2)
Qué es lo que conseguimos al combinar con estos 4 análisis??. Lo primero unos diagramas conjuntos que nos muestran cómo se correlacionan espacialmente. Esto nos permite visualizar con rapidez los valores y ver cómo esta interacción de los índices NDVI, NDWI, SAVI y EVI nos van a ayudar en la toma de decisiones:
- Condiciones favorables para la siembra con humedad suficiente y mínima competencia de vegetación anterior:
Si NDVI < 0.3, SAVI < 0.3 y NDWI entre 0.2 y 0.4
Baja cobertura vegetal y nivel de humedad superficial moderado. - Estrés hídrico potencial:
Si NDVI > 0.6 y NDWI < 0.2
Vegetación densa pero suelo seco → riesgo de déficit hídrico. - Vegetación poco vigorosa:
Si NDVI < 0.3 y SAVI < 0.3
Vegetación escasa o en mal estado, posible daño o áreas sin cultivo. - Presencia de suelo desnudo o raleado:
Si SAVI < 0.25 y NDVI entre 0.3 y 0.5
Vegetación con alta exposición de suelo, posible erosión o áreas sin cobertura completa. - Momento óptimo para fumigación o aplicación foliar:
Si EVI > 0.7 y NDVI > 0.6
Alta biomasa y cobertura foliar → momento ideal para tratamientos. - Inicio de estrés por inundación o exceso hídrico:
Si NDWI > 0.5 y NDVI < 0.5
Suelo saturado o anegado, vegetación afectada. - Madurez o cosecha cercana:
Si NDVI disminuye rápidamente en semanas consecutivas y EVI baja de 0.5
La vegetación está senescente → momento probable de cosecha. - Crecimiento activo de la planta:
Si NDVI y EVI aumentan simultáneamente durante varios días/semanas
Etapa de crecimiento y desarrollo activo. - Posible estrés por plagas o enfermedades:
Si NDVI cae por debajo de 0.4 mientras SAVI se mantiene estable
Vegetación dañada sin cambios en suelo → posible plaga o enfermedad. - Zona con alta humedad superficial:
Si NDWI > 0.4 y SAVI > 0.5
Suelo húmedo con vegetación densa, buen estado hídrico. - Pérdida de vegetación significativa:
Si NDVI y SAVI bajan simultáneamente a menos de 0.2
Daño severo, incendios, o remoción de cultivos.
Como veis, se pueden deducir muchas cosas de la interacción de estos índices. Ya no hablamos de uno solo que nos muestre cierto detalle, hablamos de varios que nos dicen varias cosas en lugar de una:-) Esto nos ayuda a una intervención justificada, cuantitativa, empírica y científica. Una intervención que poco tiene que ver con las témporas, las creencias populares o incluso la experiencia, tiene que ver con la diferencia entre hacer las cosas bien o no.
Para terminar, comentar que este método es interesante pues el único input que necesita es un área de interés (automatización), es escalable en el sentido que puede aumentar su alcance mediante la realización de otros análisis en paralelo de otras variables (como precipitaciones o temperatura) y ayuda definitivamente a tomar decisiones.
1 Automatización: mediante scripts en interfaces de Cloud Computation (Computación en la nube) como Google Earth Engine o Google Cloud o un simple script Python desde QGIS o ArcGIS Pro, se puede generar un sistema recurrente que actualice cada cierto tiempo estos análisis.
2 Valor añadido: se pueden incorporar datos climáticos históricos (precipitaciones, temperatura) y modelos de predicción de heladas o lluvias.
3 Beneficio práctico: el agricultor optimiza la fecha de siembra, fumigación o recolecta mientras reduce riesgos de pérdidas por malas condiciones de arranque y ajusta mejor el calendario de trabajos.
Este flujo de trabajo está diseñado para que cualquier propietario de un terreno, independientemente de su finalidad, pueda comprender mejor cómo las lluvias o las temperaturas afectan a la misma. Esto le permitirá tomar decisiones informadas que optimicen su producción. Por supuesto, para un análisis más detallado y específico, estoy preparado para desarrollarlo, adaptándolo al tipo de cultivo y actualizándolo según sea necesario.
Si lo encuentras interesante, comparte, si no, ni se te ocurra;-)
Alberto C.
Geógrafo, GIS Analyst, curioso, inquieto pero esperanzado ante un mundo cambiante.
Fuentes:
https://code.earthengine.google.com/
https://browser.dataspace.copernicus.eu/
https://centrodedescargas.cnig.es/CentroDescargas/indices-espectrales-sentinel
https://www.inta.es/INTA/es/blogs/copernicus/BlogEntry_1605867627620
Geovisualization.net 