Estimación de la producción del cultivo de arroz mediante imágenes multiespectrales Sentinel-2 a través de una ResNet18

Resumen

La seguridad alimentaria global depende de sistemas de monitoreo agrícola precisos, siendo el arroz uno de los cultivos más críticos. Sin embargo, la estimación de su producción enfrenta desafíos en regiones donde la información parcelaria detallada es escasa. El presente trabajo desarrolla y valida una metodología reproducible para estimar la producción agrícola de arroz en Rio Grande do Sul, Brasil, integrando imágenes multiespectrales de la misión Sentinel-2 y redes neuronales convolucionales profundas (CNN). El flujo de trabajo automatizado implementado abarca la descarga de productos satelitales, el preprocesamiento radiométrico y la segmentación de mosaicos correspondientes a dos etapas fenológicas clave: reproductiva y de maduración. Para el análisis, se adaptó una arquitectura ResNet18, modificando su capa de entrada para procesar 10 canales espectrales y se entrenó utilizando 2.304 parches de 64x64 píxeles. Las etiquetas de entrenamiento se generaron de forma proporcional a los datos de rendimiento oficiales del IBGE y CONAB, permitiendo al modelo aprender la relación entre la respuesta espectral y la productividad real por municipio. El desempeño se evaluó mediante métricas de error absoluto medio (MAE), raíz del error cuadrático medio (RMSE) y el coeficiente de determinación (R²), alcanzando valores de R² próximos a 0,91. Estos resultados reflejan una precisión significativamente superior respecto a los métodos tradicionales basados exclusivamente en índices vegetativos como el NDVI. Se concluye que la metodología es altamente reproducible y escalable, facilitando su aplicación en otras regiones geográficas y tipos de cultivos. Los aportes de esta investigación representan un avance concreto hacia la democratización de la agricultura de precisión mediante el uso de software de código abierto y datos satelitales gratuitos.