Predicción de rendimiento en sistemas de olivos superintensivo mediante productos grillados satelitales y aprendizaje automático

Abstract

El constante crecimiento de la población mundial plantea un desafío importante: aumentar la eficiencia de la agricultura para satisfacer la creciente demanda de alimentos. En Chile, donde solo el 6,13% del territorio es apto para la producción agrícola, la exportación de cultivos frutales es una parte importante de la economía. Tal es el caso del olivo (Olea europaea), cuya producción de aceite de oliva ha crecido un 211% en valor exportado durante la última década. Sin embargo, las variaciones climáticas y la disponibilidad hídrica limitada impactan su rendimiento, lo que hace esencial contar con herramientas que optimicen su manejo y producción. Este estudio analiza el uso de percepción remota y aprendizaje automático para predecir el rendimiento de olivos de la variedad Arbequina en sistemas de cultivo superintensivos. Se utilizaron imágenes satelitales, productos grillados, y datos de producción de siete campos ubicados entre las regiones IV y VII de Chile, con registros desde 2016 hasta 2023. Se integraron variables topográficas, climáticas, edafológicas y vegetacionales para la construcción de una base de datos con 536 variables, de las cuales se seleccionaron los predictores más relevantes mediante el algoritmo “Minimum Redundance Maximum Relevance” (mRMR). Luego, utilizando la biblioteca “PyCaret”, se identificaron cuatro modelos de aprendizaje automático con mejor desempeño para predecir la producción en kg·ha⁻¹ de fruta y L·ha⁻¹ de aceite, los cuales fueron replicados y entrenados con “Scikit-learn” para seleccionar el modelo con mejor rendimiento en el conjunto de prueba. "Extra Trees" resultó ser el mejor para predecir la producción en kg·ha⁻¹ (R²=0,67), mientras que "LightGBM" obtuvo el mejor desempeño en la predicción de L·ha⁻¹ (R²=0,68). El análisis de importancia de predictores indicó que la acumulación de horas de frío, los grados-día, la precipitación y la humedad del dosel en agosto son factores clave tanto para la producción de fruta como para la de aceite. Aunque los resultados obtenidos son significativos, son mejorables a través del uso de imágenes satelitales de mayor resolución y de la incorporación de datos meteorológicos propios de cada campo, lo cual permitiría una predicción más adaptada a las condiciones específicas de cada zona.

The constant growth of the global population presents a significant challenge: increasing agricultural efficiency to meet the growing demand for food. In Chile, where only 6.13% of the land is suitable for agricultural production, the export of fruit crops plays a significant role in the economy. Such is the case of the olive tree (Olea europaea), whose olive oil production has increased by 211% in export value over the last decade. However, climate variations and limited water availability affect its yield, making it essential to have tools that optimize its management and production. This study analyzes the use of remote sensing and machine learning to predict the yield of Arbequina olive trees in super-intensive cultivation systems. Satellite images, gridded products, and production data from seven fields located between regions IV and VII of Chile, with records from 2016 to 2023, were used. Topographic, climatic, edaphological, and vegetational variables were integrated to create a database with 536 variables, from which the most relevant predictors were selected using the “Minimum Redundancy Maximum Relevance” (mRMR) algorithm. Then, using the “PyCaret” library, four machine learning models with the best performance in predicting the production of fruit in kg·ha⁻¹ and oil in L·ha⁻¹ were identified, which were replicated and trained with “Scikit-learn” to select the best-performing model on the test set. "Extra Trees" proved to be the best for predicting fruit production in kg·ha⁻¹ (R²=0.67), while "LightGBM" performed best in predicting oil production in L·ha⁻¹ (R²=0.68). The predictor importance analysis indicated that accumulation of chilling hours, degree-days, precipitation, and canopy moisture in August are crucial for both fruit and oil production. Although the results obtained are significant, they could be improved through the use of higher-resolution satellite images and the incorporation of meteorological data specific to each field, which would allow for more tailored predictions based on the specific conditions of each area.