Un estudio detecta zonas de riego comparando la humedad del suelo por satélite

Buscar la señal del riego en una serie de humedad

El trabajo, publicado en Geophysical Research Letters, compara observaciones del satélite SMOS con simulaciones de humedad sin riego del modelo Noah–MP. Analiza cómo cambian esas series en periodos de seis a dieciocho meses y usa aprendizaje automático para clasificar zonas regadas.

El clasificador aprende primero con simulaciones con y sin riego. Después aplica ese aprendizaje a la comparación entre observaciones y modelo. Una diferencia de humedad aislada no se interpreta automáticamente como agua de riego.

El método se probó en los Estados Unidos contiguos con datos de 2010 a 2023. El resultado identifica patrones regionales; no reconstruye directamente cada episodio de riego.

Qué observa SMOS y por qué importa la escala

SMOS observa la humedad del suelo mediante la radiación de microondas que emite la superficie terrestre. Es una misión dedicada al ciclo del agua, que también estudia la salinidad del océano. Su observación de humedad tiene un detalle espacial del orden de decenas de kilómetros.

Esto permite estudiar grandes zonas, pero una observación reúne la respuesta de superficies con usos y condiciones distintos. Conviene distinguir el tamaño de la cuadrícula donde se presenta un mapa del detalle que realmente aporta la observación. Dividir el mapa en más celdas no crea por sí solo información sobre cada finca.

Mejora la distribución, pero no todas las medidas de error

La clasificación se combinó con la fracción regada del mapa LGRIP30 para simular volúmenes. Al compararlos con estadísticas estatales de riego del Departamento de Agricultura de Estados Unidos, la correlación llegó a 0,92 tanto en 2013 como en 2018, frente a 0,81 y 0,78 con la configuración de referencia.

El error RMSD, una medida de la distancia entre volúmenes simulados y de referencia, fue muy parecido: 4,55 frente a 4,58 km³ por año. Por eso, una mejor correspondencia entre territorios no equivale a una mejora igual de grande en las cantidades estimadas. Estos resultados son estatales, no errores de una parcela.

Un ejemplo para entender correlación y cantidad

Imagina tres territorios ficticios con volúmenes de 100, 200 y 300 unidades. Un modelo les asigna 200, 400 y 600. Mantiene exactamente la proporción y el orden entre ellos, pero duplica las tres cantidades.

En ese ejemplo hay una correlación lineal perfecta y, aun así, errores grandes de volumen. No son los datos del estudio. Sirve para entender por qué una correlación alta debe leerse junto a una medida del error y del sesgo, que indica si se tiende a estimar por encima o por debajo.

Cuando una noticia anuncie que un modelo mejora, comprueba qué magnitud se evaluó, en qué escala y frente a qué referencia. Una mejora para localizar zonas puede ser valiosa aunque no resuelva todavía el cálculo de agua aplicada.

Qué puede aportar y qué falta comprobar

El avance aporta otra forma de representar el riego en modelos del agua. Su uso en otros territorios y condiciones necesita validación. El estudio tampoco demuestra un ahorro de agua o una mejora de producción en fincas.

Para un lector que trabaje con mapas agrícolas, la distinción útil es entre detectar presencia de riego, estimar un volumen regional y decidir un aporte en campo. Son tareas distintas. Antes de usar un resultado en la última, hacen falta una escala adecuada y comprobaciones locales.