Hay una idea en marcha que me parece técnicamente muy sólida: nuevas constelaciones de satélites con cadencia suficientemente alta como para hacer seguimiento continuo del estado de la vegetación a escala de parcela. No hablo de Sentinel o Landsat, con revisitas de varios días o semanas, sino de arquitecturas que permiten observar el mismo punto con una cadencia mucho mayor. Cuando eso se cruza con gestión ganadera y agricultura el caso de uso se vuelve muy concreto.
El principio es conocido en ecología del pastoreo: el ganado bien gestionado no degrada, regenera. La rotación controlada por zonas permite que cada parcela se recupere antes de la siguiente entrada, maximizando la productividad forrajera y, en sistemas bien diseñados, el secuestro de carbono. El problema histórico ha sido la observabilidad: ¿cómo saber en qué estado está la vegetación en tiempo casi real, sin sobrevolar ni ir al campo?. La respuesta es NDVI a alta cadencia temporal.
¡PRUEBA LA PARTE 1/3 DE APLICACIÓN TÚ MISMO! (Medición del índices espectrales a través del tiempo en GEE).
https://analysis202601.projects.earthengine.app/view/timeseriesanalyzer
Desarrollé el Time Series Analyzer, una aplicación en Google Earth Engine para extraer series temporales de índices espectrales (NDVI, EVI, SAVI, NBR, NDWI) sobre cualquier geometría, con Landsat desde 1984 o Sentinel-2 desde 2017. El módulo central es la función de autocorrelación (ACF), que permite identificar la estructura temporal de la vegetación: cuánta inercia tiene, cada cuántos días se completa un ciclo fenológico, si hay una tendencia de degradación o recuperación sostenida, y qué modelo SARIMA describe mejor esa dinámica.
Con una constelación de alta cadencia, la misma lógica funciona a escala diaria. En lugar de una observación cada 8 días (Landsat L8+L9 combinados) o cada 3-5 días (Sentinel-2), tendrías suficientes puntos temporales para detectar el efecto del pastoreo en el NDVI con una latencia de horas. El ciclo de respuesta pasa de semanas a días ¡o quizá menos!.
Aquí es donde el análisis se vuelve más interesante. También desarrollé esta otra aplicación, AssetIQ, que extrae y puntúa POIs desde Overture Maps usando KDE (Kernel Density Estimation) para identificar zonas de alta concentración de actividad. Ahí es donde mi plan empieza a tomar cuerpo… La lógica es exactamente transferible al movimiento del ganado (si encontramos la manera asequible de trackearlo con una unidad de GPS).
¡PRUEBA PARTE 2/3 DE LA APLICACIÓN TÚ MISMO! (Tracking y cuantificación de ASSETS en R).
https://albertogis.shinyapps.io/TOIconPOI
Si en lugar de POIs de Overture Maps tenemos posiciones GPS del ganado a intervalos regulares, el KDE sobre esas posiciones genera un mapa continuo de densidad de pastoreo: zonas de alta presión, zonas infrautilizadas, corredores de movimiento preferente. La correlación entre ese mapa de densidad y la serie temporal de NDVI de cada zona cierra el ciclo analítico:
- Zonas con alta densidad acumulada → ¿el NDVI cae antes de lo esperado según el modelo estacional?
- Zonas con baja presión → ¿el NDVI se recupera más rápido que la media histórica?
- ¿Qué umbral de días de descanso predice una recuperación del NDVI por encima del percentil 75 histórico?
Esa correlación es modelable. Con suficiente histórico de posiciones GPS y series NDVI de alta cadencia, se puede ajustar un modelo que prediga el NDVI futuro de una parcela en función de la presión de pastoreo acumulada y los días de descanso desde la última entrada. El resultado es una recomendación de rotación basada en datos, no en experiencia empírica del ganadero.
Por qué la cadencia importa
Con Sentinel-2 a 5 días de revisita, el efecto del pastoreo en el NDVI es visible pero con retraso. Una entrada intensa de ganado puede provocar una caída de NDVI que solo se detecta en la siguiente imagen disponible, cuando ya ha pasado tiempo suficiente para que el daño esté hecho o la recuperación ya haya comenzado. Con cadencias de horas o un par de días, la señal es NRT (prácticamente en tiempo real).
Eso transforma el análisis de descriptivo a prescriptivo. No se trata de entender qué pasó la semana pasada sino de decidir hoy si mover el ganado a la parcela siguiente o esperar tres días más.
La combinación de constelación propia de alta cadencia, KDE de posiciones GPS del ganado y series temporales NDVI con modelado SARIMA es, técnicamente, un sistema completo de gestión de pastoreo basado en observación terrestre continua. Las piezas existen. La integración es el trabajo.
El eslabón que cierra el ciclo: medición de CO2e
Hay una dimensión adicional que convierte todo lo anterior en un argumento de negocio completo: la cuantificación del carbono. Gestionar el pastoreo de forma óptima no solo mejora el NDVI — potencialmente mejora el balance de CO2e de la cadena de suministro. Y eso es medible con el mismo stack.
¡PRUEBA LA PARTE 3/3 DE APLICACIÓN TÚ MISMO! (Análisis cuantativo de emisiones de CO2 en GEE).
https://analysis202601.projects.earthengine.app/view/mrv-emissions-estimations-flag
Por último, para cerrar el círculo, desarrollé otro pipeline MRV (Monitoring, Reporting and Verification) en GEE que sigue el estándar FLAG de SBTi para estimar emisiones y absorciones de CO2e a partir de series temporales de NDVI sobre parcelas agrícolas o ganaderas. La lógica es directa: si el NDVI de una parcela ha aumentado entre dos períodos, la biomasa ha crecido y se ha fijado carbono. Si ha caído, hay emisión neta o pérdida de capacidad de absorción. El pipeline convierte ese cambio en toneladas de CO2 equivalente por hectárea, con output CSV para reporting corporativo.
Aplicado sobre 5 parcelas cerealistas en Almendralejo (1,52 km²), el balance neto fue de +369 tCO2e, la cadena de suministro estaba absorbiendo más carbono del que emitía. Pero el análisis parcela por parcela reveló que una de las cinco mostraba degradación real, mientras que dos falsas alarmas iniciales se explicaban por diferencias en el momento del ciclo fenológico entre los dos períodos comparados. Ese matiz, comparar en fechas equivalentes del ciclo agrícola, es precisamente lo que el Time Series Analyzer resuelve: primero entiendes el patrón estacional de la parcela, luego eliges los períodos de comparación correctos para el MRV.
En el contexto del pastoreo rotacional a alta cadencia satelital, el ciclo completo sería: posiciones GPS del ganado → KDE de presión de pastoreo por zona → serie temporal NDVI de alta frecuencia → ACF para caracterizar la respuesta de la vegetación → MRV FLAG para cuantificar el impacto en CO2e. Cada zona del rancho con su propio balance de carbono, actualizado en tiempo casi real, con trazabilidad metodológica suficiente para reporting bajo SBTi.
Esto es un producto casi completamente en producción, y no solo un análisis.
Alberto Concejal
Geospatial Analyst
Geovisualization.net 