Mejorar el seguimiento de la productividad de los pastos alpinos
El seguimiento mejorado mediante satélite permite detectar y evaluar con mayor precisión el impacto de las sequías, lo que favorece sistemas de seguros de pastos más fiables y refuerza la resiliencia climática de la agricultura de montaña.
El reto
Los pastos alpinos son esenciales para la ganadería, el turismo y la biodiversidad. En el Tirol del Sur (Italia), por ejemplo, cubren alrededor del 70 % de la superficie con vegetación y proporcionan valiosos servicios ecosistémicos, como la regulación climática y la conservación de la biodiversidad. A medida que el cambio climático aumenta la frecuencia y la intensidad de las sequías, la productividad de los pastos disminuye, lo que pone en riesgo la producción de forraje y la estabilidad económica de las explotaciones agrarias de montaña.
Las estrategias tradicionales de mitigación y, por tanto, los sistemas de seguros contra la sequía se basan en inspecciones de campo para evaluar los daños. Sin embargo, en los pastizales estas inspecciones suelen resultar demasiado costosas en relación con el valor de la producción. Los sensores de Observación de la Tierra ofrecen una alternativa escalable mediante seguros indexados, en los que se utilizan indicadores derivados de satélite para estimar el impacto de las sequías de forma rápida, homogénea y a un coste relativamente bajo en grandes superficies.
Soluciones: caso de estudio del Tirol del Sur
Desde 2024, el instituto de investigación “Eurac Research” proporciona un Índice de Productividad de Pastos (Grassland Productivity Index, GPI) a un consorcio de agricultores del Tirol del Sur.
El GPI respalda un sistema de seguro indexado al estimar las pérdidas de forraje a partir de observaciones satelitales en lugar de inspecciones de campo. Se basa en la estrecha relación entre la biomasa medida en los pastos y el Índice de Área Foliar (Leaf Area Index, LAI), un indicador clave del crecimiento de la vegetación derivado de imágenes del satélite Sentinel-2.
En el marco del Laboratorio de Innovación e Investigación (RIL) sobre Pastos de ScaleAgData, los investigadores se han centrado en mejorar la estimación del LAI en entornos alpinos. La frecuente presencia de nubes limita con frecuencia la disponibilidad de imágenes ópticas como Sentinel-2, lo que reduce la continuidad del seguimiento.
Para afrontar este desafío, el equipo trabajó en dos enfoques complementarios:
- Mejorar el preprocesamiento de Sentinel-2 perfeccionando la corrección topográfica y la detección de nubes en zonas montañosas y terrenos complejos.
- Integrar observaciones de radar de apertura sintética (SAR) de Sentinel-1 con información topográfica y meteorológica para mejorar la estimación del LAI cuando no se dispone de datos ópticos.
Se evaluaron diversas estrategias de fusión de datos, incluidos modelos de aprendizaje automático (Machine Learning) y aprendizaje profundo (Deep Learning), para combinar datos ópticos, de radar y conjuntos de datos auxiliares.
Para garantizar una evaluación sólida de los distintos enfoques, Eurac desarrolló un protocolo específico de trabajo de campo y recopiló mediciones in situ en ocho parcelas de pastos alpinos durante dos ciclos de crecimiento. Este conjunto de datos único proporcionó una valiosa referencia para evaluar el LAI derivado de satélite en las complejas condiciones de la agricultura de montaña.
Impacto y perspectivas de futuro
El producto mejorado de LAI derivado de Sentinel-2 mostró una excelente concordancia con las mediciones in situ, captando con precisión la evolución estacional de los pastos alpinos y de su gestión. En particular, fue capaz de detectar prácticas de manejo clave, como los eventos de siega (Figura 1), lo que demuestra su idoneidad para el seguimiento operativo de los pastizales.
Cuando se incorporó al Índice de Productividad de Pastos (GPI), el sistema logró detectar las variaciones interanuales de la productividad de los pastos a escala regional, incluida la intensa sequía agrícola que afectó a gran parte de Europa en 2022 (Figura 2).
Estos resultados demuestran el potencial de la monitorización basada en satélites para apoyar la evaluación operativa de las sequías y su eficiencia como parte de sistemas de seguros indexados.
El proyecto también desarrolló un prometedor modelo de aprendizaje profundo (Deep Learning) [2] para predecir el LAI de Sentinel-2 mediante la integración de observaciones de radar de Sentinel-1, información procedente de modelos digitales de elevación (DEM) y datos de humedad del suelo derivados de teledetección. El modelo está disponible públicamente en el repositorio de GitHub del proyecto [3].
La validación frente al LAI de Sentinel-2 en pastizales alpinos del Tirol del Sur durante 2023 mostró resultados prometedores [2] (Figura 3). Sin embargo, la comparación con mediciones independientes realizadas in situ puso de manifiesto que el enfoque actual tiene una capacidad limitada para reproducir la dinámica del LAI fuera del periodo de entrenamiento y de los lugares de calibración.
Estos resultados ponen de relieve los retos asociados a la estimación de variables biofísicas complejas, como el LAI, utilizando únicamente observaciones SAR en entornos montañosos heterogéneos. No obstante, el análisis confirmó la sensibilidad de las variables de radar de Sentinel-1 a la estructura del dosel y la biomasa de los pastizales, demostrando su potencial para complementar las observaciones ópticas y favorecer un seguimiento más continuo bajo condiciones de nubosidad.
