Estimación de la evaporización del cultivo de maíz con fusión de imágenes y redes neuronales

Abstract

La creciente necesidad de optimizar el uso del agua en la agricultura requiere herramientas capaces de estimar con precisión variables biofísicas relacionadas con la evapotranspiración a escalas espaciales detalladas. Recientemente, la teledetección agrícola ha tomado gran auge en este tipo de aplicaciones mediante la integración de datos satelitales y de drones utilizando algoritmos de superresolución. En esta investigación se propuso una metodología para determinar la distribución espacial de la evapotranspiración del maíz basada en la integración de información multiespectral de Sentinel-2 y UAV mediante técnicas de fusión de imágenes y modelos de aprendizaje profundo. Se realizó el monitoreo de 50 hectáreas cultivadas con maíz en los ciclos agrícolas 2024 y 2025 y se integraron imágenes UAV-Sentinel-2 a nivel índices de vegetación. Se evaluaron modelos de superesolución espacial y se propuso un modelo espaciotemporal TVDSR para fusionar las imágenes UAV-Sentinel-2 bajo el enfoque multiimagen, además se entrenó un modelo U-Net VGG para predecir el coeficiente dual del cultivo (Kcdual) y estimar la evapotranspiración del maíz. Los resultados demostraron que la superresolución espacial permitió incrementar la resolución de Sentinel-2 a 2m con métricas de reconstrucción adecuadas (RMSE = 0.041; PSNR = 33.83 dB; SSIM = 0.983; Corr = 0.981). El modelo TVDSR, que integra la resolución temporal, permitió reconstruir las imágenes satelitales a la misma resolución con métricas altas (RMSE=0.149, AE=0.115, PSNR=22.60 dB y SSIM=0.85) y con la menor degradación entre fechas, lo que evidenció una mayor capacidad de generalización temporal. Aunque las imágenes UAV obtuvieron las mejores métricas en la predicción del Kcdual y la evapotranspiración del cultivo, las imágenes superresueltas redujeron el RMSE en 16 % y el MAE en 17 % respecto a Sentinel-2 original. En conjunto, los resultados obtenidos demuestran que la combinación de información Sentinel-2 y UAV mediante métodos de superresolución basados en aprendizaje profundo constituye una alternativa eficaz para garantizar un balance entre el nivel de detalle espacial y la extensión de superficie monitoreada fortaleciendo la estimación de la distribución espacial del cultivo de maíz.