Un equipo conjunto de las universidades de Córdoba (UCO) y Sevilla ha desarrollado un innovador método para identificar el tipo de plantación de olivar —tradicional, intensiva o superintensiva— mediante el uso de imágenes satelitales y técnicas avanzadas de inteligencia artificial.

La propuesta responde a una necesidad creciente de las administraciones públicas y del sector agrícola: disponer de datos actualizados y precisos sobre el ritmo de transformación del olivar, clave para diseñar políticas agrarias, planes de ayuda y estrategias sostenibles. El sistema, basado en redes neuronales convolucionales (CNN), permite clasificar automáticamente grandes superficies de cultivo sin necesidad de muestreos de campo ni ortofotos de alta resolución.

Del olivar tradicional al superintensivo: una transformación en marcha

El olivar tradicional, caracterizado por árboles de gran porte y marcos de plantación amplios, está dando paso a modelos intensivos y superintensivos, que maximizan la densidad arbórea y, con ello, la productividad. Sin embargo, esta evolución implica también un mayor consumo de recursos como el agua, y tiene consecuencias agronómicas, medioambientales y socioculturales que requieren seguimiento detallado.

Hasta ahora, este tipo de análisis dependía de imágenes aéreas del Plan Nacional de Ortofotografía Aérea (PNOA), actualizadas cada tres años. Esta baja frecuencia impedía captar los cambios con suficiente inmediatez.

Imágenes satelitales gratuitas y redes neuronales: una solución disruptiva

Para superar esa limitación, el equipo investigador ha recurrido a las imágenes de Sentinel-2, un satélite de observación terrestre de la Agencia Espacial Europea (ESA) que ofrece datos cada cinco días y de acceso gratuito. Aunque su resolución espacial es menor, las investigadoras han entrenado tres modelos distintos de redes neuronales convolucionales para interpretar los patrones de plantación a partir de esta información.

“Encontramos que el modelo más eficaz —denominado enfoque B— alcanzó una precisión del 80%, lo cual es muy significativo dada la dificultad del problema y la resolución de las imágenes”, señala Cristina Martínez, del Departamento de Ingeniería Electrónica y de Computadores de la UCO.

Automatización total del proceso: del dato catastral al diagnóstico

Una de las grandes ventajas del método es su grado de automatización. A partir de la referencia catastral o el código de parcela, el sistema delimita automáticamente la finca, descarga las imágenes necesarias y ejecuta el análisis sin intervención manual. “Todo el flujo está automatizado, lo que facilita su integración en plataformas de gestión agrícola o sistemas de ayuda a la decisión”, destaca Isabel Castillejo, del Departamento de Ingeniería Gráfica y Geomática de la UCO.

Este avance tecnológico elimina la necesidad de inspecciones de campo o técnicas de fotointerpretación, lo que reduce costes y tiempos en la monitorización de grandes extensiones de olivar.

Hacia el monitoreo del estrés hídrico

Actualmente, el equipo trabaja en nuevas aplicaciones de esta tecnología, entre ellas la detección y predicción del estrés hídrico en el olivar mediante el mismo enfoque: imágenes satelitales combinadas con Deep Learning. Este desarrollo apunta a una agricultura de precisión más eficiente y resiliente, especialmente relevante en escenarios de cambio climático y escasez hídrica.