¿Para qué sirve este bien público?
El Monitoreo de la Superficie Regada y Contenido de Agua en el Suelo Agrícola Valparaíso es una iniciativa para enfrentar la crisis hídrica de la región, proporcionando información precisa y actualizada sobre el uso del agua en suelos agrícolas.
Con el propósito de apoyar una gestión más sustentable del agua, hemos desarrollado dos visores espaciales que permiten monitorear la superficie regada y el contenido de agua en el suelo, utilizando datos satelitales validados en terreno. Estos visores ayudan a agricultores, regantes y autoridades a tomar decisiones informadas y optimizar el uso de recursos hídricos.
Descubre cómo utilizar los visores y saca el máximo provecho de sus funcionalidades en los siguientes videos:
¿Qué es?
El Monitoreo de la Superficie Regada y Contenido de Agua en el Suelo Agrícola Valparaíso es una iniciativa para enfrentar la crisis hídrica de la región, proporcionando información precisa y actualizada sobre el uso del agua en suelos agrícolas.
Con el propósito de apoyar una gestión más sustentable del agua, hemos desarrollado dos visores espaciales que permiten monitorear la superficie regada y el contenido de agua en el suelo, utilizando datos satelitales validados en terreno. Estos visores ayudan a agricultores, regantes y autoridades a tomar decisiones informadas y optimizar el uso de recursos hídricos.
Descubre cómo utilizar los visores y saca el máximo provecho de sus funcionalidades en los siguientes videos:
Video tutorial: Humedad de suelo
Video tutorial: Superficie regada
Modelos utilizados para el monitoreo
Superficie efectivamente regada
Para estimar la superficie regada en la región, se emplea un modelo de aprendizaje automático, el cual utiliza productos satelitales de los satélites Sentinel-1 y Sentinel-2, además de índices calculados con estos productos. Estos índices permiten diferenciar áreas con riego de aquellas sin él, debido a su correlación con la biomasa y la humedad de la vegetación. El modelo es entrenado con datos de superficie regada recopilados en terreno por CIREN durante los años 2016 a 2023. El análisis cubre desde 2015, considerando los meses de octubre a abril como temporada de riego.
Modelo basado en el artículo científico: Mekonnen, Y.G., Alamirew, T. et al. (2024). Comparison of Google Earth Engine Machine Learning Algorithms for Mapping Smallholder Irrigated Areas in a Mountainous Watershed, Upper Blue Nile Basin, Ethiopia.
Humedad de suelo
Para evaluar la humedad del suelo, se emplea un modelo de aprendizaje automático el cual usa productos grillados (ERA5), satelitales (GCOM, Landsat-8), índices espectrales (NDVI, EVI, entre otros) y mediciones de campo. Se instalaron sensores en la región de Valparaíso para obtener datos reales de humedad en el suelo y usar esta información en el entrenamiento y validación del modelo, logrando resultados precisos y efectivos.
Modelo basado en el artículo científico: ISMN & Han, Q., Zeng, Y., Zhang, L. et al. (2023). Global long-term daily 1km surface soil moisture dataset with physics-informed machine learning (GSSM1km).
Modelos utilizados para el monitoreo
Superficie efectivamente regada
Para estimar la superficie regada en la región, se emplea un modelo de aprendizaje automático, el cual utiliza productos satelitales de los satélites Sentinel-1 y Sentinel-2, además de índices calculados con estos productos. Estos índices permiten diferenciar áreas con riego de aquellas sin él, debido a su correlación con la biomasa y la humedad de la vegetación. El modelo es entrenado con datos de superficie regada recopilados en terreno por CIREN durante los años 2016 a 2023. El análisis cubre desde 2015, considerando los meses de octubre a abril como temporada de riego.
Modelo basado en el artículo científico: Mekonnen, Y.G., Alamirew, T. et al. (2024). Comparison of Google Earth Engine Machine Learning Algorithms for Mapping Smallholder Irrigated Areas in a Mountainous Watershed, Upper Blue Nile Basin, Ethiopia.
Humedad de suelo
Para evaluar la humedad del suelo, se emplea un modelo de aprendizaje automático el cual usa productos grillados (ERA5), satelitales (GCOM, Landsat-8), índices espectrales (NDVI, EVI, entre otros) y mediciones de campo. Se instalaron sensores en la región de Valparaíso para obtener datos reales de humedad en el suelo y usar esta información en el entrenamiento y validación del modelo, logrando resultados precisos y efectivos.
Modelo basado en el artículo científico: ISMN & Han, Q., Zeng, Y., Zhang, L. et al. (2023). Global long-term daily 1km surface soil moisture dataset with physics-informed machine learning (GSSM1km).
