ES La producción de alimentos es la base sobre la que se ha construido la sociedad tal y como la conocemos. Sin embargo, el cambio climático, al incrementar la frecuencia de los eventos climáticos extremos, está comprometiendo la agricultura y amenazando la seguridad alimentaria mundial. En respuesta, la agricultura debe evolucionar hacia sistemas de cultivo más sostenibles. De esta forma, la agricultura de precisión se presenta como una solución con potencial, ya que se basa en la toma de decisiones en base a la información que se recibe, posibilitando a los agricultores tener en cuenta la variabilidad espacial y temporal a nivel de parcela, pudiendo implementar un manejo dirigido, en lugar del manejo tradicional, que trata toda la parcela de manera uniforme. La teledetección es un pilar fundamental de la agricultura de precisión moderna, pues proporciona información sobre las características del cultivo de manera no destructiva. En este contexto, la misión Sentinel-2 del programa Copernicus proporciona imágenes multiespectrales de alta resolución y con acceso gratuito. Esto permite desarrollar modelos escalables y accesibles para agricultores con recursos limitados. La aplicabilidad de la teledetección ha suscitado un gran interés en los modelos de predicción de rendimiento, considerados una herramienta clave para la estabilidad económica y la seguridad alimentaria. En respuesta, esta tesis aprovecha la tecnología de observación de la Tierra para optimizar el cultivo de cereales mediante el desarrollo de modelos de predicción del rendimiento y de modelos que permitan aplicar un manejo dirigido de nutrientes. En este sentido, el análisis de la evolución de la reflectancia de Sentinel-2 a lo largo del ciclo de cultivo de trigo y cebada permitió una mejor comprensión de la dinámica de ambos cultivos, lo que permitió determinar que las etapas de elongación del tallo y de espigado son críticas para el rendimiento final del grano. Estos hallazgos ayudaron a establecer un protocolo para determinar el momento óptimo de aplicación de nitrógeno. Además, para mejorar la gestión de nutrientes, en concreto del nitrógeno, se desarrollaron dos enfoques de aplicación de nitrógeno a dosis variable (VRT) en una superficie de 76 ha de trigo y cebada. El primer enfoque, basado en sensores, es menos preciso pero accesible para agricultores que no pueden costear un sistema VRT sofisticado. Mientras que el segundo enfoque, basado en la creación de mapas, es más sofisticado y preciso, ya que utiliza el aprendizaje automático (ML) para entrenar un modelo destinado a crear mapas de prescripción georreferenciados que los productores cargarán en sus sistemas de aplicación de abonado. Finalmente, para asegurar la fiabilidad de los datos de rendimiento medidos por las cosechadoras al ser utilizados en las modelizaciones, se desarrolló una metodología de filtrado automatizada y escalable que elimina eficazmente los errores de los mapas de rendimiento generados por las cosechadoras, sin asumir que los datos tienen una distribución normal. La metodología de limpieza seleccionada se aplicó a 7.399 ha de datos de mapas de rendimiento de trigo y cebada. Este método de limpieza se aplicó a un conjunto de datos de 5.488,3 ha y se utilizó para desarrollar modelos de predicción de rendimiento a nivel de píxel en siete ubicaciones españolas. Los modelos de machine learning Random Forest y XGBoost fueron entrenados con datos de las temporadas de cultivo del periodo 2020-2023 y validados con los datos de la temporada 2024, con el objeto de evaluar su precisión y robustez. Mientras que las predicciones de rendimiento hacia finales de temporada resultaron altamente precisas, los modelos de principio de temporada mostraron potencial para establecer zonas de gestión, aunque requieren datos adicionales para mejorar su generalización
Patricia Arizo (Tue,) studied this question.