Agricultura de Precisión

Optimizar la gestión de grandes extensiones agrícolas requiere un control preciso que las técnicas tradicionales no pueden ofrecer de forma rentable. El reto es implementar un sistema de vigilancia masiva capaz de monitorizar el estado sanitario y las necesidades hídricas de forma automatizada, garantizando precisión centimétrica incluso en condiciones meteorológicas adversas.

Solución

Cotesa ofrece una gama avanzada de productos de agricultura de precisión basados en la combinación de satélites ópticos y radar (Copernicus/Sentinel-2). Las características clave incluyen:

  • Súper-resolución: Aplicación de Deep Learning para mejorar la resolución nativa de Sentinel-2 hasta los 2.5 metros.
  • Índices Avanzados: Cálculo de índices ópticos (NDVI, BAI, EVI) y de radar (polarimétricos y coherencia) para determinar el estado sanitario y necesidades hídricas.
  • Análisis Temporal: Construcción de series temporales y estudios de fenología para el seguimiento del ciclo del cultivo.
  • Automatización: Clasificación automática de cultivos, detección de parcelas, identificación de siega y cambios en zonas rurales.

Beneficios

  • Alta Resolución: Obtención de detalles muy superiores a la capacidad estándar del satélite mediante IA.
  • Operatividad Total: El uso de datos radar garantiza resultados incluso en regiones con alta presencia de nubes.
  • Eficiencia a Escala: Clasificación de grandes regiones a bajo coste comparado con la observación de campo.
  • Personalización: Algoritmos desarrollados íntegramente por COTESA, lo que permite adaptarlos al 100% a las necesidades del cliente.

Casos de éxito

Tragsatec

Determinación de necesidades hídricas en el regadío español (2019-2020) mediante teledetección (Sentinel-2) y modelo FAO-56.

Agroseguro

Proyecto piloto para la determinación automática de cultivos (alternativa a encuestas ESYRCE) mediante Machine Learning e imágenes ópticas/radar.

Tecnologías empleadas

  • Inteligencia Artificial: Machine Learning y Deep Learning aplicados a la super-resolución.
  • Satélites: Programa Copernicus (Sentinel-2) y datos radar.
  • Desarrollo Propio: Algoritmos implementados en Python para análisis masivo de datos.

Testimonios

«Gracias al análisis de series temporales y la fenología, nuestros algoritmos de Machine Learning son capaces de clasificar cultivos con una precisión superior al 90%, ofreciendo al agricultor una visión real y procesable de sus parcelas.»

Aurelio García, Director del área de AGEO

Para saber más

Aurelio García Rochera

Director del Área de AGEO (Análisis Geoespacial y Observación de la Tierra)