Evaluación comparativa de EnMAP y Sentinel-2 para la estimación de rasgos biofísicos en los cultivos de arroz del Bajo Guadalquivir
DOI:
https://doi.org/10.17398/3101-7177.2.203Palabras clave:
EnMAP, rasgos biofísicos, arrozales, Machine Learning, agriculturaResumen
Las nuevas misiones hiperespectrales permiten identificar rasgos de absorción sutiles esenciales para el monitoreo agrícola avanzado. Este estudio compara la capacidad del sensor hiperespectral EnMAP y el multiespectral Sentinel-2 en la estimación de rasgos biofísicos en el cultivo de arroz del Bajo Guadalquivir. Se empleó un enfoque híbrido basado en PROSAIL-PRO y algoritmos de Machine Learning (ML), optimizados mediante Active Learning (AL) para mitigar la redundancia espectral. Los resultados demuestran la mayor capacidad de EnMAP en la caracterización bioquímica foliar, alcanzando valores de R2 de 0,93 para carotenoides (CAR) y de 0,92 para nitrógeno foliar (LNC). En comparación, Sentinel-2 mostró correlaciones más moderadas, con R2 inferiores a 0,90 en todos los rasgos y limitaciones críticas en parámetros estructurales como el índice de área foliar (LAI) y la clorofila a nivel de dosel (CCC). Esta diferencia sugiere que la resolución espectral de EnMAP es clave para diferenciar las señales bioquímicas y la estructura del dosel. La eficacia de la tecnología hiperespectral frente a la multiespectral sienta las bases para que la misión europea CHIME se consolide como una herramienta esencial para la toma de decisiones en el sector agrario.
Descargas
Referencias
Berger, K., Rivera Caicedo, J. P., Martino, L., Wocher, M., Hank, T., & Verrelst, J. (2021). A Survey of Active Learning for Quantifying Vegetation Traits from Terrestrial Earth Observation Data. Remote Sensing, 13(2), 287. https://www.mdpi.com/2072-4292/13/2/287
Berger, K., Verrelst, J., Féret, J. B., Wang, Z., Wocher, M., Strathmann, M., Danner, M., Mauser, W., & Hank, T. (2020). Crop nitrogen monitoring: Recent progress and principal developments in the context of imaging spectroscopy missions. Remote Sensing of Environment, 242, Article 111758. . https://doi.org/10.1016/j.rse.2020.111758
Estévez, J., Salinero-Delgado, M., Berger, K., Pipia, L., Rivera-Caicedo, J. P., Wocher, M., Reyes-Muñoz, P., Tagliabue, G., Boschetti, M., & Verrelst, J. (2022). Gaussian processes retrieval of crop traits in Google Earth Engine based on Sentinel-2 top-of-atmosphere data. Remote Sensing of Environment, 273, Article 112958. https://doi.org/10.1016/j.rse.2022.112958
Féret, J. B., Berger, K., de Boissieu, F., & Malenovský, Z. (2021). PROSPECT-PRO for estimating content of nitrogen-containing leaf proteins and other carbon-based constituents. Remote Sensing of Environment, 252, Article 112173. . https://doi.org/10.1016/j.rse.2020.112173
Jacquemoud, S., Verhoef, W., Baret, F., Bacour, C., Zarco-Tejada, P. J., Asner, G. P., François, C., & Ustin, S. L. (2009). PROSPECT + SAIL models: A review of use for vegetation characterization. Remote Sensing of Environment, 113(SUPPL. 1), S56-S66. . https://doi.org/10.1016/j.rse.2008.01.026
Jay, S., Maupas, F., Bendoula, R., & Gorretta, N. (2017). Retrieving LAI, chlorophyll and nitrogen contents in sugar beet crops from multi-angular optical remote sensing: Comparison of vegetation indices and PROSAIL inversion for field phenotyping. Field Crops Research, 210, 33-46. . https://doi.org/10.1016/j.fcr.2017.05.005
Lu, B., Dao, P. D., Liu, J., He, Y., & Shang, J. (2020). Recent advances of hyperspectral imaging technology and applications in agriculture. Remote Sensing, 12(16), Article 2659. https://doi.org/10.3390/RS12162659
Nieke, J., & Rast, M. (2018). Towards the copernicus hyperspectral imaging mission for the environment (CHIME). International Geoscience and Remote Sensing Symposium (IGARSS), 157-159. . https://doi.org/10.1109/IGARSS.2018.8518384
OECD/FAO. (2025). OECD-FAO agricultural outlook 2025–2034. FAO Paris, France. . https://doi.org/10.1787/601276cd-en
Sims, D. A., & Gamon, J. A. (2002). Relationships between leaf pigment content and spectral reflectance across a wide range of species, leaf structures and developmental stages. Remote Sensing of Environment, 81(2-3), 337-354. . https://doi.org/10.1016/S0034-4257(02)00010-X
Tagliabue, G., Boschetti, M., Bramati, G., Candiani, G., Colombo, R., Nutini, F., Pompilio, L., Rivera-Caicedo, J. P., Rossi, M., Rossini, M., Verrelst, J., & Panigada, C. (2022). Hybrid retrieval of crop traits from multi-temporal PRISMA hyperspectral imagery. ISPRS Journal of Photogrammetry and Remote Sensing, 187, 362-377. . https://doi.org/10.1016/j.isprsjprs.2022.03.014
Verrelst, J., Malenovský, Z., Van der Tol, C., Camps-Valls, G., Gastellu-Etchegorry, J. P., Lewis, P., North, P., & Moreno, J. (2019). Quantifying Vegetation Biophysical Variables from Imaging Spectroscopy Data: A Review on Retrieval Methods. Surveys in Geophysics, 40(3), 589-629. https://doi.org/10.1007/s10712-018-9478-y
Descargas
Publicado
Número
Sección
Licencia
Derechos de autor 2026 Daniel Arlanzón, Víctor Rodríguez Galiano, Francisco M. Canero, Aarón Cárdenas-Martínez (Autor/a)
Esta obra está bajo una licencia internacional Creative Commons Atribución-NoComercial-CompartirIgual 4.0.
Todo el contenido disponible en el Portal de Revistas-UEx se distribuye bajo una licencia Creative Commons: Atribución 4.0 Internacional (CC BY 4.0)
