Estimación de rendimientos de soja mediante técnicas de inteligencia artificial aplicadas a información satelital

Abstract

La presente investigación se centra en el desarrollo de un enfoque metodológico para la estimación de rendimientos de soja a nivel de lote en Argentina mediante el uso de datos satelitales y técnicas de inteligencia artificial. Para ello, se utiliza información derivada de imágenes satelitales de la misión Sentinel-2, complementadas con datos de precipitación del conjunto de datos Climate Hazards Group InfraRed Precipitation with Stations. Estos datos fueron empleados para modelar rendimientos de soja, utilizando como referencia datos de rendimiento a nivel de lote. Se emplearon los algoritmos de aprendizaje automático Random Forest y XGBoost debido a su capacidad para manejar datos de alta dimensionalidad y modelar relaciones no lineales. Los resultados obtenidos a partir de cuatro conjuntos de datos distintos demuestran que la metodología propuesta es robusta y flexible, con una alta capacidad de adaptación a diferentes condiciones agroclimáticas y épocas de siembra en distintas regiones de Argentina. En todos los casos evaluados, el algoritmo XGBoost superó a Random Forest, mostrando un mejor desempeño predictivo. Los hallazgos de esta investigación tienen importantes implicancias para la agricultura de precisión, ya que la metodología desarrollada permite obtener estimaciones precisas de los rendimientos a nivel de lote, facilitando la toma de decisiones por parte de los productores y optimizando la gestión de los cultivos. Esto no solo favorece la eficiencia operativa, sino que también puede tener un impacto positivo en la cadena de suministro agrícola, al permitir una mejor planificación de la cosecha, el transporte y la distribución de los productos, optimizando las rutas y el uso de recursos logísticos. Además, la optimización en el uso de recursos importantes, como fertilizantes y productos fitosanitarios, puede reducir el impacto ambiental de las prácticas agrícolas, mientras que al mismo tiempo se mejora la rentabilidad de los cultivos, promoviendo prácticas más sostenibles y resilientes a largo plazo.