Clasificación fenológica de cultivos de arroz usando ResNet-18 e imágenes Sentinel-2

Resumen

La clasificación de los estados fenológicos del arroz es un factor crítico para la seguridad alimentaria, puesto que permite optimizar el uso de fertilizantes, el riego y la planificación de la cosecha. Sin embargo, el monitoreo tradicional en campo es costoso y difícil de escalar. Este estudio propone un método avanzado de teledetección basado en la arquitectura de red neuronal residual ResNet-18 e imágenes satelitales Sentinel-2 para identificar automáticamente las etapas vegetativas, reproductiva y de maduración. La investigación se centró en seis municipios del estado de Rio Grande do Sul, Brasil, durante los ciclos agrícolas 2019-2020, 2022-2023 y 2023-2024. Metodológicamente, la red fue adaptada para procesar parches de 64×64 píxeles, utilizando una configuración innovadora de cinco canales de entrada compuestos por índices de vegetación específicos (NDVI, GNDVI, EVI, NDRE y SAVI), en lugar de bandas espectrales convencionales. Esta integración permitió capturar firmas biofísicas robustas frente a variaciones atmosféricas. Los resultados encontrados en el conjunto de prueba independiente mostraron un desempeño sobresaliente, con una exactitud del 92,17 %, precisión del 92,22 %, sensibilidad (recall) del 92,23 % y un F1-score del 92,15 %. Además, el índice Kappa de 88,26 % confirma una alta concordancia y estabilidad del modelo frente al azar. Se concluye que la combinación de aprendizaje profundo con índices de vegetación multiespectrales proporciona una herramienta escalable y altamente confiable para el monitoreo agrícola de precisión. El modelo demostró ser resiliente incluso en escenarios con disponibilidad limitada de datos por nubosidad, lo que facilita su implementación en regiones tropicales y subtropicales para la toma de decisiones basada en datos en tiempo real.