Predicción de cosecha en el cultivo de trigo mediante imágenes satelitales. Un desarrollo Agtech del CREA Las Petacas y Planet Labs.
Para continuar, suscribite a Crea. Si ya sos un usuario suscripto, iniciá sesión.
SUSCRIBITETres años atrás integrantes del CREA Las Petacas (región Sur de Santa Fe) viajaron a EE.UU. para recorrer empresas y organizaciones tecnológicas en Silicon Valley. Allí conocieron a Ariel Zajdband, doctor en agronomía por la FAUBA y Senior Product Manager del área de Agricultura de Planet Labs, con quien comenzaron a trabajar en el desarrollo de una aplicación que posibilita predecir el rendimiento del cultivo de trigo.
Durante décadas, la teledetección aplicada a la agricultura fue una disciplina con enorme potencial pero con limitaciones prácticas:
imágenes demasiado gruesas para distinguir lotes individuales, revisitas cada doce o dieciséis días que dejaban semanas sin datos en inviernos nublados, y algoritmos diseñados para vegetación genérica que no representaban bien el comportamiento del trigo.
La plataforma PlanetScope, operada por Planet Labs, cambió eso al ofrecer cobertura diaria con píxeles de tres metros, lo que permite medir con precisión la condición del canopeo de cada lote sin interferencia de bordes ni infraestructura predial.
“Incluso en los inviernos con mayor nubosidad del centro de Santa Fe, es posible obtener varias observaciones limpias por semana y reconstruir con fidelidad la trayectoria de desarrollo del cultivo desde la emergencia hasta la madurez fisiológica”, señala Ariel Zajdband.
Lo que antes era un dato puntual y espacialmente grueso, se convirtió en una serie temporal densa: lote por lote y campaña a campaña. La diferencia no es sólo tecnológica: es la que existe entre saber que “el trigo de la zona viene bien” y saber que “el lote 7 va a rendir 6,2 toneladas por hectárea mientras el 12 va a quedar en 4,8 toneladas” y actuar en consecuencia.
El modelo no es un algoritmo de machine learning entrenado para correlacionar imágenes con rendimientos históricos. Se basa en el principio más elemental de la agronomía: el rendimiento es, en última instancia, el resultado de cuánta radiación solar capturó el canopeo a lo largo del ciclo y con qué eficiencia la convirtió en biomasa.
Ese enfoque tiene un antecedente directo en el trabajo de Menéndez-Coccoz et al. (2025), que demostró que modelos biofísicos de bajo insumo basados en radiación absorbida pueden predecir el rendimiento de maíz a múltiples escalas con alta interpretabilidad (cuya lógica central se adaptó para el cultivo de trigo). La conversión de NDVI satelital a fracción de radiación absorbida (fAPAR) sigue la calibración exponencial de Pellegrini et al. (2020), desarrollada específicamente para trigo en la región pampeana argentina.
El satélite mide el color de las hojas verdes –expresado como NDVI– y ese color es un indicador directo de cuánta luz está absorbiendo el cultivo. A más verde y más densa la cobertura, más radiación interceptada, más fotosíntesis y, en última instancia, más grano.
“La cadencia diaria de PlanetScope permite seguir esa curva de verdor con una fidelidad sin precedentes, desde la emergencia hasta la madurez. Los estadios fenológicos se calculan mediante la acumulación de temperatura desde la siembra, con parámetros específicos para más de cincuenta variedades argentinas adaptados del modelo Cronotrigo de la FAUBA”, aplica Ariel.
“La eficiencia con que el cultivo transforma la radiación en biomasa varía según el estadio, siendo máxima durante la encañazón cuando el canopeo está completo. El resultado es una estimación construida desde la física del cultivo, no desde una correlación estadística ciega”, añade.
Cualquier modelo puede mostrar buenos resultados en condiciones favorables. Pero la prueba de fuego es la capacidad de funcionar en años difíciles, con variedades distintas y en lotes con historias diferentes.
Durante la campaña 2024/25 el modelo se probó en 19 lotes y 2025/26 esa cifra trepó a 83 lotes. La campaña 2024/25 fue una de las peores de los últimos años: la influencia de La Niña redujo las lluvias en momentos críticos y el rendimiento promedio fue de 3500 kg/ha.
La primera versión del modelo –con una fórmula lineal para convertir el verdor del satélite en absorción de luz– reprodujo el promedio del grupo (con un sesgo de apenas 6 kg/ha), pero no pudo rankear los lotes con precisión, porque la fórmula comprimía las diferencias entre un lote vigoroso y uno estresado en un rango demasiado estrecho.
Para 2025/26, luego de adoptar la calibración exponencial de Pellegrini, el modelo no sólo reprodujo el promedio (con un sesgo de −120 kg/ha), sino que explicó el 69% de la variabilidad entre lotes, con un error cuadrático medio de 600 kg/ha.
“Saber cuánto rindió un lote después de cosecharlo es útil para el análisis; saber cuánto va a rendir antes de entrar con la cosechadora es lo que genera valor económico real”, comenta Diego Hugo Pérez, asesor del CREA Las Petacas.
El análisis de predicción anticipada sobre los 83 lotes de la campaña 2025/26 mostró en qué momento del ciclo la estimación se vuelve confiable. Desde los 60 días después de la siembra –encañazón, canopeo cubriendo la mayor parte del suelo–, el modelo ya explica más de la mitad de la variabilidad de rendimiento entre lotes (R² = 0,52), con un error típico de 680 kg/ha. A los 90 días, en espigazón, el R² sube a 0,67 y el error cae a 560 kg/ha.
El punto de inflexión más relevante ocurre a los 105 días desde la siembra, al inicio del llenado de grano: el modelo explicó el 74% de la variabilidad final de rendimiento, con un error típico de 500 kg/ha (el 9% del rendimiento promedio de la campaña). Eso ocurre entre 35 y 55 días antes de la cosecha de cada lote, exactamente la ventana en que las que deben tomar decisiones logísticas y comerciales.
La validación del modelo sobre los 61 lotes de la campaña 2025/26 muestra una correlación sólida entre los rendimientos estimados y los observados en campo (r = 0,69). El error cuadrático medio fue de 600 kg/ha y el error absoluto medio de 480 kg/ha.
“El sesgo promedio en 2025/26 fue de -120 kg/ha: el modelo tendió a subestimar levemente el rendimiento real. Cuando se equivoca, tiende a quedarse levemente corto antes que a inflar las expectativas: exactamente el comportamiento preferido en un instrumento de apoyo a la toma de decisiones”, comenta Ariel.
El modelo no trata a todos los lotes de la misma manera: la fenología se calcula con parámetros específicos para cada variedad, lo que le permite “saber” –por ejemplo– cuándo un cultivar DM Pehuén está en espigazón y cuándo un Baguette 620 todavía está en encañazón, aunque hayan sido sembrados el mismo día. El cuadro siguiente resume los resultados por grupo varietal en los 61 lotes validados de la campaña 2025/26.
“DM Pehuén, la variedad más sembrada en el grupo, mostró un sesgo prácticamente nulo (−10 kg/ha), lo que sugiere que los parámetros fenológicos del Cronotrigo están bien calibrados para este cultivar en el sur de Santa Fe”, explica Ariel.
Las variedades tardías de alto potencial –BG 620 y ACA Fresno– fueron identificadas correctamente como los lotes de mayor rendimiento, aunque el modelo tendió a subestimarlas con mayor magnitud.
“Con el historial de rendimientos reales que el CREA Las Petacas ya posee, es posible calibrar índices de cosecha específicos por grupo de madurez para las próximas campañas”, destaca Diego.
Más allá del índice de cosecha, la pregunta más relevante para calibrar y mejorar el modelo es la siguiente: ¿qué variables agronómicas explican los errores que el modelo deja sin capturar? Para responderla de manera robusta –superando las limitaciones de las correlaciones lineales simples dentro de una sola campaña– se llevó a cabo un análisis de importancia de variables mediante Random Forest sobre 66 lotes con datos climáticos completos de ambas campañas (2024/25 y 2025/26).
“El método entrena un conjunto de árboles de decisión para predecir el residuo del modelo (rendimiento real - estimado) a partir de variables climáticas de temperatura y fotosíntesis acumulada, y cuantifica la contribución relativa de cada variable. A diferencia de la regresión lineal, captura relaciones no lineales e interacciones entre variables sin asumir ninguna forma funcional preestablecida”, apunta Ariel.
El cociente fototermal acumulado post-floración resultó la variable con mayor importancia relativa (17,3%), seguido por la varianza térmica postfloración (15,9%) y la temperatura media post-floración (14,6%). Las variables del ciclo completo –temperatura media, varianza y cociente fototermal acumulado– aportaron importancias intermedias (8%-13%).
“La interpretación agronómica es coherente con el mecanismo biofísico del modelo. Los parámetros fijos de eficiencia en el uso de la radiación (RUE) e índice de cosecha (HI = 0,45) representan condiciones promedio; cuando el cociente fototermal post-floración es excepcionalmente alto –más luz disponible por unidad de temperatura durante el llenado de grano–, el cultivo puede superar esos valores promedio y el modelo subestima. Lo opuesto ocurre en lotes con mayor variabilidad térmica, donde las oscilaciones de temperatura durante el llenado degradan la eficiencia real respecto a los coeficientes fijos del modelo”, remarcó el especialista de Planet Labs.
Ese resultado es consistente con Fischer (1985): el cociente fototermal durante los estadios peri-floración es el principal determinante del número de granos por espiga y, por extensión, del índice de cosecha efectivo. Incorporar un ajuste dinámico del HI en función del cociente fototermal post-floración observado lote a lote representa la extensión más prometedora del modelo para campañas futuras.
“Lo que más nos entusiasma de esta experiencia no es el resultado de una campaña aislada, sino la lógica de mejora continua del enfoque. Cada campaña en que el grupo registra rendimientos reales lote por lote, es una campaña en que el modelo puede calibrarse mejor: el índice de cosecha por variedad se ajusta, los casos atípicos se entienden, y la confianza en la predicción aumenta”, resalta Diego.
En ese sentido, el salto de 2024/25 a 2025/26 –de una fórmula lineal a una calibración exponencial específica para trigo pampeano– no fue una corrección menor. Fue la diferencia entre un modelo que acierta el promedio pero no puede rankear lotes a otro que explica el 69% de la variabilidad individual.
“A diferencia de los modelos de inteligencia artificial que requieren grandes volúmenes de datos históricos, este modelo biofísico arranca con una base teórica sólida y se afina de manera incremental con datos reales”, resume Ariel.
El código completo está disponible en acceso abierto en https://github.com/agronomist/wheat-argentina y funciona con cualquier lote definido por un polígono GeoJSON.
La posibilidad de extender esta metodología a otros grupos CREA de la región, cruzando datos entre grupos para enriquecer la calibración, representa una oportunidad concreta de construir una herramienta compartida que mejore campaña a campaña.
El satélite ya observa todos los lotes, todos los días. Aquel productor del norte santafesino que en noviembre de 2025 ya sabía cuántos camiones necesitaría no estaba viendo el futuro: estaba leyendo lo que el satélite había registrado durante seis meses de cultivo.
Menéndez-Coccoz, M., Rotili, D. H., Otegui, M. E., Martini, G., Paolini, M., Di Bella, C., Piñeiro, G., & Oesterheld, M. (2025). Lowinput, interpretable models to forecast maize yield at multiple scales based on absorbed radiation. Agronomy Journal, 117, e70089. https://doi.org/10.1002/agj2.70089
Fischer, R. A. (1985). Number of kernels in wheat crops and the influence of solar radiation and temperature. Journal of Agricultural Science, 105(2), 447–461. https://doi.org/10.1017/ S0021859600056495
Pellegrini, P., Cossani, C. M., Di Bella, C. M., Piñeiro, G., Sadras, V. O., & Oesterheld, M. (2020). Remotely sensed biomass production of wheat: Relationships between NDVI and APAR across environments. Crop Science, 60, 1–10. https://doi.org/10.1002/csc2.20129