Detección automática del riego por pivote central a partir de imágenes satelitales de alta resolución en el norte de Buenos Aires (2016-2023)

Abstract

El riego por pivote central permite aumentar la productividad agrícola y adaptarse a la variabilidad climática ante la creciente demanda alimentaria y la escasez de agua. Este estudio analiza su expansión en el norte de la provincia de Buenos Aires, Argentina entre 2016 y 2023 mediante el uso de imágenes satelitales Sentinel-2 del programa Copernicus y algoritmos de detección automática. Se calcularon índices espectrales como el NDVI, EVI y WRI, que sirvieron como insumos para el modelo Grounding DINO. Este modelo combina la visión por computadora e inteligencia artificial (IA) basada en lenguaje natural y se adaptó para identificar los patrones circulares típicos del riego por pivote en una región caracterizada por vegetación continua que dificulta la detección automatizada. La metodología desarrollada permitió detectar un aumento del 159% en la cantidad de sistemas de riego durante el período de estudio, asociado a eventos de sequía agrícola que impulsaron su adopción. El modelo alcanzó una métrica F1-Score del 73,2%, que mostró su efectividad en la Pampa Húmeda. Los resultados demuestran que la integración de teledetección e IA permiten monitorear de forma eficiente la expansión de esta tecnología agrícola. Asimismo, se destaca la necesidad de continuar con los modelos de IA para mejorar la detección y caracterización de objetos geográficos, que contribuyan a una gestión sostenible de los recursos hídricos.

Center-pivot irrigation enhances agricultural productivity and adapts to climate variability amid growing food demand and water scarcity. This study analyzes its expansion in northern Buenos Aires Province, Argentina, between 2016 and 2023 using Sentinel-2 satellite imagery from the Copernicus program and automated detection algorithms. Spectral indices such as NDVI, EVI, and WRI were calculated and served as inputs for the Grounding DINO model. This model combines computer vision and natural language-based artificial intelligence (AI) and was adapted to identify the circular patterns typical of center-pivot irrigation in a region characterized by continuous vegetation, which complicates automated detection. The developed methodology detected a 159% increase in irrigation systems during the study period, linked to agricultural drought events that drove their adoption. The model achieved an F1-Score of 73.2%, demonstrating its effectiveness in the Pampa Húmeda region. The results show that integrating remote sensing and AI enables efficient monitoring of this agricultural technology's expansion. Furthermore, the study highlights the need to continue developing AI models to improve the detection and characterization of geographic features, supporting sustainable water resource management.