Estimación de rendimientos de trigo a partir de datos espectrales para el partido de Junín, provincia de Buenos Aires

Abstract

Argentina, con una producción aproximada de 18 millones de toneladas de trigo, ocupa la decimoprimera posición en el ranking de los principales países productores. La producción se concentra en la zona pampeana, siendo las provincias de Buenos Aires, Córdoba y Santa Fe las responsables de más del 85% del total. La estimación de la producción de cultivos como trigo, arroz, maíz y soja es crucial para garantizar la seguridad alimentaria a nivel global, haciendo imperativo contar con datos confiables tanto de área como rendimiento para poder estimar la producción. Existen muchas técnicas de estimación de rendimiento basadas en diferentes métodos. El objetivo principal de este trabajo fue estimar rendimientos del cultivo de trigo de manera anticipada para mejorar las predicciones de producción en el partido de Junín, Provincia de Buenos Aires. Para ello se utilizaron imágenes satelitales de Landsat-8 y Sentinel-2 para calcular los índices de vegetación (Índice de Vegetación de Diferencia Normalizada-NDVI e Índice de Diferencia Normalizada de Humedad-NDMI), los cuales se correlacionaron con los rendimientos reales de lotes de trigo mediante regresión lineal. Los modelos basados en NDVI y NDMI demostraron ser herramientas valiosas para la estimación de rendimientos de trigo. En particular, el NDVI de la plataforma Sentinel 2 mostró el mejor ajuste con un R² de 0,79, confirmando su alta capacidad explicativa en la predicción de rendimientos. Aunque los modelos de Sentinel 2 presentaron mejores coeficientes de determinación (R²), también mostraron mayores errores cuadráticos medios (ECM) en comparación con los modelos de Landsat, sugiriendo que los datos de Sentinel 2, debido a su mayor resolución espacial, pueden ofrecer una mayor precisión, pero también pueden ser más susceptibles a errores en condiciones de alta variabilidad espacial, como la heterogeneidad intra lote debida a diferentes afectaciones del cultivo, tipo de suelo, posición topográfica lo que genera variabilidad de datos. En conclusión, los modelos basados en NDVI y NDMI, especialmente los de Sentinel 2, son herramientas prometedoras para la estimación anticipada de rendimientos de trigo en la región estudiada, aunque es necesario considerar la variabilidad espacial para mejorar la precisión de las predicciones.

Argentina, with an approximate production of 18 million tons of wheat, ranks eleventh among the world’s leading wheat-producing countries. Production is concentrated in the Pampas region, with the provinces of Buenos Aires, Córdoba, and Santa Fe accounting for more than 85% of the total. Estimating the production of crops such as wheat, rice, corn, and soybeans is crucial to ensuring global food security, making it imperative to have reliable data on both area and yield to estimate production. There are many yield estimation techniques based on different methods. The main objective of this study was to estimate wheat yields in advance to improve production predictions in the Junín district, Buenos Aires Province. For this purpose, satellite images from Landsat-8 and Sentinel-2 were used to calculate vegetation indices (Normalized Difference Vegetation Index-NDVI and Normalized Difference Moisture Index-NDMI), which were correlated with actual wheat yields using linear regression. Models based on NDVI and NDMI proved to be valuable tools for estimating wheat yields. In particular, the NDVI from the Sentinel 2 platform showed the best fit with an R² of 0.79, confirming its high explanatory capacity in yield prediction. Although the Sentinel 2 models showed better coefficients of determination (R²), they also showed higher mean squared errors (MSE) compared to the Landsat models, suggesting that Sentinel 2 data, due to its higher spatial resolution, may offer greater accuracy but may also be more susceptible to errors under conditions of high spatial variability, such as intra-field heterogeneity due to different crop impacts, soil type, and topographic position, which generate data variability. In conclusion, models based on NDVI and NDMI, especially those from Sentinel 2, are promising tools for the early estimation of wheat yields in the studied region, although it is necessary to consider spatial variability to improve prediction accuracy.