Con el objetivo de ampliar la base de datos de biomasa forrajera y generar herramientas prácticas de manejo, se desarrollaron dos metodologías innovadoras que combinan muestreos expeditivos a campo con información satelital.
Estimar con precisión la biomasa forrajera requiere contar con datos de calibración recolectados en una amplia diversidad de condiciones ambientales y de manejo. Estudios previos indican que se necesitan entre seis y siete años de datos para construir modelos robustos con errores relativos cercanos al 22%, especialmente bajo condiciones ambientales variables (Kearney et al., 2022 – doi.org/10.1016/j.rse.2022.112907).
Con un subconjunto de 755 datos de biomasa recolectados a campo durante el primer año correspondientes a diversos recursos forrajeros y regiones de Argentina, se evaluó la capacidad de modelos de machine learning (Random Forest) para predecir biomasa utilizando índices espectrales derivados de imágenes de los satélites Sentinel-1 y Sentinel-2. El modelo general arrojó un error de predicción de 1100 kg MS/ha (99%), mientras que al focalizarse en un subconjunto de datos provenientes de pasturas en la localidad de Balcarce, el error se redujo a 650 kg MS/ha (55%). Estos resultados sugieren que una menor heterogeneidad ambiental mejora notablemente la precisión de las estimaciones, aunque todavía es necesario continuar ampliando la base de datos para fortalecer los modelos predictivos.
Con este desafío en mente, el proyecto diseñó y está evaluando dos metodologías que permiten vincular rápidamente observaciones en campo con datos satelitales:
1. Simplificación espacial: consiste en una aplicación desarrollada en Google Earth Engine, donde se cargan valores de biomasa tomados en puntos seleccionados del campo. Estos datos se utilizan para calibrar un modelo de correlación con índices espectrales derivados de imágenes satelitales cercanas en fecha. El modelo resultante se puede aplicar de forma visual sobre áreas definidas en la interfaz gráfica para estimar la biomasa en todo el lote (Figura 1). Validaciones realizadas en pastizales naturales en la EEA INTA Concepción del Uruguay mostraron un buen nivel de ajuste (R² = 0,6), y en 21 evaluaciones sobre pasturas de Festuca y Alfalfa en la EEA Balcarce, 17 mostraron valores de R² superiores a 0,6.
2. Simplificación temporal: esta metodología combina la medición de la biomasa remanente luego del pastoreo con modelos de crecimiento forrajero alimentados por datos satelitales. De este modo, es posible estimar en tiempo real la oferta de forraje por potrero en sistemas con rotación, siempre que se realice la medición de la biomasa residual. Los usuarios pueden visualizar la disponibilidad actual y la evolución del stock forrajero de forma semanal (Figura 2A). Evaluaciones realizadas en dos sistemas en Balcarce mostraron un buen nivel de ajuste entre los valores observados y los predichos (R² = 0,8, Figura 2B).
La implementación de estas herramientas en sistemas ganaderos permite avanzar en el desarrollo de soluciones prácticas para la gestión del pastoreo, fomenta el uso de tecnología satelital en el sector agropecuario y contribuye a consolidar una red de monitoreo robusta que sirva de base para modelos predictivos cada vez más precisos y representativos.
