Un equipo de investigación de las universidades de Córdoba (UCO) y Sevilla (US) ha desarrollado un método pionero que permite conocer, de forma fácil, rápida y automatizada, si una plantación de olivar es tradicional, intensiva o superintensiva, sin necesidad de realizar visitas al terreno. Este avance ha sido posible gracias al uso de un algoritmo basado en redes neuronales convolucionales que analiza imágenes satelitales de acceso libre, revolucionando la forma de caracterizar el olivar andaluz.
Según ha informado la Universidad de Córdoba, el olivar tradicional —caracterizado por árboles de gran tamaño y una separación significativa entre ellos— ha ido dando paso, en las últimas décadas, a modelos de cultivo intensivo y superintensivo. Estos nuevos sistemas incrementan notablemente la productividad, pero también exigen un uso más intensivo de recursos, como el agua, con implicaciones importantes a nivel agronómico, medioambiental, económico y sociocultural.
Ante este panorama, se vuelve fundamental disponer de información actualizada y precisa sobre los distintos tipos de plantación. Las administraciones públicas, que diseñan políticas y programas de ayuda para regular esta transición, necesitan conocer con exactitud cuántas hectáreas corresponden a cada sistema y cómo evoluciona ese reparto en el tiempo.
Plantación de olivos en Andalucía
Hasta ahora, esta información se obtenía gracias a las imágenes del Plan Nacional de Ortofotografía Aérea (PNOA), que ofrece una gran resolución espacial pero que solo se actualiza cada tres años. Esto supone una gran limitación para la toma de decisiones ágiles. “El problema que enfrentábamos es que la información que se tenía estaba muy desplazada en el tiempo”, explica Isabel Castillejo, investigadora del Departamento de Ingeniería Gráfica y Geomática de la UCO.
La solución ha llegado de la mano de las imágenes del satélite Sentinel-2, de la Agencia Espacial Europea (ESA), disponibles de forma gratuita cada cinco días. Aunque estas imágenes tienen menor resolución espacial —y por tanto no permiten identificar visualmente las copas de los árboles—, el uso de redes neuronales convolucionales (CNN) permite reconocer patrones complejos a partir de los datos, superando esa limitación.
“Entrenamos tres algoritmos diferentes de aprendizaje automático para detectar los sistemas de plantación. El que llamamos enfoque B logró una precisión del 80%, lo cual es un resultado muy alto teniendo en cuenta la complejidad del problema y la resolución de las imágenes de entrada”, explica Cristina Martínez, investigadora del Departamento de Ingeniería Electrónica y de Computadores de la UCO.
Las investigadoras Cristina Martínez e Isabel Castillejo.UCO
Una de las principales ventajas del nuevo sistema es su nivel de automatización. El procedimiento completo puede ejecutarse introduciendo un simple archivo de texto con el código de la parcela o la referencia catastral. A partir de ahí, el algoritmo delimita automáticamente la parcela, descarga las imágenes necesarias del satélite Sentinel-2, y determina el tipo de olivar presente, todo sin intervención manual.
Este avance elimina la necesidad de visitas al campo, inspecciones visuales o muestreos aleatorios, que resultan más costosos y menos eficientes. Además, permite una monitorización continua y actualizada del paisaje agrícola, proporcionando a los gestores públicos y agricultores una herramienta precisa y útil para la toma de decisiones.
Actualmente, el equipo de investigación ya trabaja en una nueva línea que aplicará esta misma tecnología al estudio y predicción del estrés hídrico en el olivar, lo que podría ofrecer información clave en contextos de sequía creciente y escasez de recursos hídricos.
Este desarrollo se enmarca dentro de los esfuerzos por combinar la inteligencia artificial y las tecnologías espaciales para responder a desafíos agrícolas del presente y del futuro. Andalucía, principal productora de aceite de oliva del mundo, se sitúa así a la vanguardia de la innovación tecnológica aplicada al sector agroalimentario.
