Evaluación de modelos de pronóstico de NDVI en mallines patagónicos

Abstract

Los mallines de la Patagonia Norte, aunque representan solo el 3 % de la superficie regional, aportan hasta el 40 % de la oferta forrajera, siendo un componente clave para la producción ganadera ovina, caprina y bovina. Su productividad está fuertemente asociada a la dinámica de la vegetación, evaluada comúnmente mediante el Índice de Vegetación de Diferencia Normalizada (NDVI). Dada la importancia de estos ecosistemas, contar con herramientas de pronóstico confiables es fundamental para apoyar el manejo adaptativo de los sistemas pastoriles frente a la variabilidad climática y los cambios en la disponibilidad de forraje. El objetivo de este trabajo fue evaluar el desempeño de distintos modelos estadísticos y de aprendizaje automático en la predicción del NDVI en 10 mallines de la provincia de Neuquén. Para ello, se consideraron cuatro tipos de filtros de preprocesamiento, siete modelos y cuatro escenarios de predicción, desde el inmediato hasta el largo plazo. Como métrica de evaluación se utilizó el cociente entre el error cuadrático medio de cada método y el obtenido con el modelo de referencia (AC+Mean) que consiste en usar el ciclo medio anual como predictor. Los resultados mostraron que el rendimiento de los modelos dependió fuertemente del horizonte temporal. Para predicciones de largo plazo, el enfoque autorregresivo con filtro del ciclo anual (AC+AR) fue el único que superó de forma consistente al método de referencia, destacando la utilidad de modelos estadísticos simples cuando se busca anticipar con varios meses de antelación. En cambio, en horizontes cortos y estacionales, los modelos que aplicaron el filtro sinusoidal (SIN) mostraron mejoras significativas. En particular, SIN+Random_walk resultó altamente competitivo en escalas inmediatas, sobre todo en mallines húmedos, donde la señal estacional es dominante. Por su parte, el modelo RAW+LSTM se destacó en escenarios de predicción intermedios (uno a seis meses), mostrando un crecimiento gradual en los errores y confirmando la capacidad de las redes neuronales recurrentes para capturar dependencias no lineales en series temporales.