Aplicación de la teledetección a la modelización del rendimiento de la variedad de arroz JSendra en València

Abstract

[ES] El arroz es uno de los tres cultivos más importantes del mundo. Atendiendo a las previsiones de incremento de la población mundial, existe la necesidad de implementar nuevas técnicas en el manejo agronómico. La teledetección se presenta como una tecnología capaz de implementarlas, posibilitando un mejor manejo. En este trabajo se ha aplicado la teledetección para la modelización del rendimiento de la variedad de arroz JSendra, siendo objetivo la predicción temprana de este a partir de los valores de reflectancia aportados por el satélite Sentinel-2. Se ha analizado una superficie de 50.44 ha, repartida en 38 parcelas situadas en la Albufera de València. Los campos fueron sembrados la última semana de mayo del 2020, y cosechados la primera semana de octubre del mismo año. Los datos reales de rendimiento fueron adquiridos por una máquina cosechadora equipada de un Yield Track capaz de obtener mapas de rendimiento con polígonos de superficie irregular (de 3 a 7.60 m de anchura efectiva). De la superficie estudiada, el 70% se ha utilizado para la elaboración del modelo matemático, y el 30% restante se ha destinado a la validación. Se han usado todas las bandas electromagnéticas de Sentinel-2 a 10 y 20 m para las fechas sin nubes existentes desde la siembra hasta la cosecha, elaborándose modelos matemáticos para cada fecha y para cada resolución espacial. Considerando la superficie de validación, los mejores resultados se han obtenido para la fecha del 4 de julio, con un r2 de 0.72 para 10 m y de 0.75 a 20 m, siendo el Error Medio Absoluto (MAE) de 254.22 kg·ha-1 (3.73%) y de 239.88 kg·ha-1 (3.48%) respectivamente. A nivel de parcela en la validación se ha obtenido un r2 de 0.90, con un MAE de 176.29 kg·ha-1 (2.61%). Se ha dispuesto de datos de otro satélite (Planet), con las mismas bandas de Sentinel-2 a 10 m, pero con una resolución espacial mayor (3 m); partiendo de estos datos se ha aplicado el mejor modelo desarrollado a 10 m con Sentinel-2 sobre una superficie de 10.18 ha (10 parcelas) en la fecha del 6 de julio. Con la validación con Planet se ha obtenido que, para bajos rendimientos (<6500 kg·ha-1) el error del modelo era muy grande, MAE de 918.28 (15.55%), mientras que, para rendimientos elevados (>6500 kg·ha-1) los resultados eran muy similares a los obtenidos con Sentinel-2, MAE de 284.02 kg·ha-1 (4.02%); comprobándose que, Planet presentó diferencias en la adquisición y calibración de las medidas respecto a Sentinel-2. Se ha analizado también el procesado de los mapas de rendimiento efectuado, verificándose la necesidad de este procesado para una mejor interpretación y posterior elaboración de los modelos. Tanto la modelización como el procesado de los datos se han justificado desde un sentido agronómico y biofísico. Estos resultados confirman la existencia de una gran correlación entre el rendimiento y la información espectral adquirida con las imágenes de satélite. Se posibilita una predicción del rendimiento hasta 90 días antes de la cosecha, introduciendo una nueva técnica para el manejo del cultivo.

[EN] Rice is one of the three most important crops in the world. According to the forecasts for world population growth, there is a need to implement new techniques in agronomic management. Remote sensing is presented as a technology capable of implementing these new techniques that enable better agronomic management. In this work, satellite data has been applied to the modelling of the yield of the JSendra rice cultivar, being the objective the early prediction of yield from the reflectance values provided by the Sentinel-2 satellite. An area of 50.44 ha was analysed, spread over 38 plots located in the Albufera de València. The fields were sown in the last week of May 2020 and harvested in the first week of October 2020. The real yield data for the modelling were acquired by a harvesting machine equipped with a Yield Track capable of obtaining yield maps with polygons of irregular surface (from 3 to 7.60 m effective width). Of the area studied, 70% was used for the elaboration of the mathematical model, and the remaining 30% was used for its validation. All Sentinel-2 electromagnetic bands at 10 and 20 m were used for the cloud-free dates from sowing to harvesting, and mathematical models were built for each date and for each spatial resolution. Considering the validation area, the best results were obtained for the date corresponding to 4th July, with an r2 of 0.72 for 10 m and 0.75 at 20 m, with a Mean Absolute Error (MAE) of 254.22 kg·ha-1 (3.73%) and 239.88 kg·ha-1 (3.48%) respectively. At the validation field level, an r2 of 0.90 was obtained, with a MAE of 176.29 kg·ha-1 (2.61%). In addition, data from another satellite (Planet) was available, with the same Sentinel-2 bands at 10 m, but with a much higher spatial resolution (3 m); based on these data, the best model developed at 10 m with Sentinel-2 was applied over an area of 10.18 ha (10 fields) on 6th July. Validation with Planet showed that, for low yields (<6500 kg·ha-1) the model error increased, MAE of 918.28 kg·ha-1 (15.55%), while for high yields (>6500 kg·ha-1) the results were very similar to those obtained with Sentinel-2, MAE of 284.02 kg·ha-1 (4.02%); it was found that Planet presented differences in the acquisition and calibration of the measurements with respect to Sentinel-2. The processing of the yield maps has also been analysed, verifying the need for this processing for better interpretation and subsequent modelling. Both analyses, the modelling and the data processing, have been justified from an agronomic and biophysical point of view. These results confirm the existence of a high correlation between yield and spectral information acquired with satellite images in rice cultivation. Moreover, the models make it possible to predict yields up to 90 days before harvest, introducing a new technique for crop management.