Herramienta de inteligencia artificial para la detección automática del riego por pivote central
DOI:
https://doi.org/10.24215/15146774e103Palabras clave:
riego por aspersión, imágenes satelitales, inteligencia artificialResumen
El riego por pivote central permite aumentar la productividad agrícola y adaptarse a la variabilidad climática ante la creciente demanda alimentaria y la escasez de agua. Este estudio analiza su expansión en el norte de la provincia de Buenos Aires, Argentina entre 2016 y 2023 mediante el uso de imágenes satelitales Sentinel-2 del programa Copernicus y algoritmos de detección automática. Se calcularon índices espectrales como el NDVI, EVI y WRI, que sirvieron como insumos para el modelo Grounding DINO. Este modelo combina la visión por computadora e inteligencia artificial (IA) basada en lenguaje natural y se adaptó para identificar los patrones circulares típicos del riego por pivote en una región caracterizada por vegetación continua que dificulta la detección automatizada. La metodología desarrollada permitió detectar un aumento del 159% en la cantidad de sistemas de riego durante el período de estudio, asociado a eventos de sequía agrícola que impulsaron su adopción. El modelo alcanzó una métrica F1-Score del 73,2%, que mostró su efectividad en la Pampa Húmeda. Los resultados demuestran que la integración de teledetección e IA permiten monitorear de forma eficiente la expansión de esta tecnología agrícola. Asimismo, se destaca la necesidad de continuar con los modelos de IA para mejorar la detección y caracterización de objetos geográficos, que contribuyan a una gestión sostenible de los recursos hídricos.
Referencias
Auge, M. P. (2004). Regiones Hidrogeológicas, República Argentina y provincias de Buenos Aires, Mendoza, y Santa Fe. Asociación Latinoamericana de Hidrología Subterránea. Autoedición. http://sedici.unlp.edu.ar/handle/10915/15909
Barrionuevo, N. (2025). Caracterización del crecimiento del riego por pivote central mediante algoritmos de detección automática en el norte de Buenos Aires [Tesis de Maestría no publicada]. Universidad de Buenos Aires.
Barrionuevo, N., Waldman, C. y Martínez R. (26-28 de octubre de 2022). Análisis espacio temporal del riego por pivote central en la República Argentina en el período 1995-2015 [ponencia]. VI Congreso Internacional de Ordenamiento Territorial y Tecnologías de la Información Geográfica. Universidad Nacional de Luján. Ciudad Autónoma de Buenos Aires, Argentina.
Bauder, T., Cipra, J., Waskom, R. y Gossenauer, M. (2004). Center pivot irrigation in Colorado as mapped by Landsat imagery. Colorado Agricultural Experiment Station, (4).
Casella, A., Orden, L., Pezzola, N. A., Bellaccomo, C., Winschel, C. I., Caballero, G. R., Delegido, J., Gracia, L. M. N. y Verrelst, J. (2022). Analysis of biophysical variables in an Onion Crop (Allium cepa L.) with nitrogen fertilization by Sentinel-2 observations. Agronomy, 12(8), 1884. https://doi.org/10.3390/agronomy12081884
de Albuquerque, A., de Carvalho Júnior, O., de Carvalho, O. L. F. , de Bem, P., Ferreira, P., de Moura, R. dos S. y Silva, C. (2020). Deep semantic segmentation of Center Pivot Irrigation Systems from Remotely Sensed Data. Remote Sensing, 12(13), 2159. http://dx.doi.org/10.3390/rs12132159
Donchyts, G., Corredor Llano, X. y Baart, F. (s.f.). Complemento qgis-earth-engine. QGIS Earth Engine Plugin. Recuperado el 13 de marzo de 2026 de: https://gee-community.github.io/qgis-earthengine-plugin/
Etcheverry, M. C. (2014). Aprovechamiento sustentable de los recursos hídricos para riego complementario de cultivos extensivos en la Cuenca del Río Arrecifes, Provincia de Buenos Aires [Tesis de maestría, Universidad Nacional de La Plata]. http://sedici.unlp.edu.ar/handle/10915/34474
Food Agriculture Organization. (2025). Land statictics 2001-2023. Global, regional and country trends. https://doi.org/10.4060/cd5765en
Fuyou T., Bingfang W., Hongwei Z., Miao Z., Yueran H., Yan X., Congcong W., Zhengdong W., Xingli Q., Wei H. y Honghai Y. (2023). A shape-attention Pivot-Net for identifying central pivot irrigation systems from satellite images using a cloud computing platform: An application in the contiguous US. En Organización de las Naciones Unidas para la Alimentación y la Agricultura (Ed.), Informe Mundial de las Naciones Unidas sobre el Desarrollo de los Recursos Hídricos 2023: alianzas y cooperación por el agua (pp. 35-51). UNESCO, UN Water. https://unesdoc.unesco.org/ark:/48223/pf0000385203_spa
Graf, L., Bach, H. y Tiede, D. (2020). Semantic segmentation of Sentinel-2 Imagery for Mapping Irrigation Center Pivots. Remote Sensing, 12(23), 3937. http://dx.doi.org/10.3390/rs12233937
Havrylenko, S. (2013). Caracterización de sequías en la cuenca agrícola de la región pampeana mediante la aplicación del modelo hidrológico SWAT [Tesis de maestría, Universidad Nacional del Litoral]. https://bibliotecavirtual.unl.edu.ar/handle/11185/527
Jiang, Z., Huete A., Didan K. y Miura, T. (2008). Development of a two-band enhanced vegetation index without a blue band. Remote Sensing of Environment, 112(10), 3833-3845. https://doi.org/10.1016/j.rse.2008.06.006
Johansen, K., Lopez, O., Tu, Y., Li, T. y McCab, M. (2021). Center pivot field delineation and mapping: A satellite-driven object-based image analysis approach for national scale accounting. ISPRS Journal of Photogrammetry and Remote Sensing, 175, 1-19. https://doi.org/10.1016/j.isprsjprs.2021.02.019
Kirillov, A., Mintun, E., Ravi, N., Mao, H., Rolland, C., Gustafson, L., Xiao, T., Whitehead, S., Berg A., Lo, W., Dollár, P. y Girshick, R. (2023). Segment anything. arXiv, 2304.02643. https://doi.org/10.48550/arXiv.2304.02643
Liu, S., Zeng, Z., Ren, T., Li, F., Zhang, H., Yang, J., Li, C., Yang, J., Su, H., Zhu, J. y Zhang, L. (2023). Grounding DINO: Marrying DINO with grounded pre-training for open-set object detection. arXiv, 2303.05499. https://arxiv.org/abs/2303.05499
Müller, A. y Guido, S. (2016). Introduction to Machine Learning with Python. Editorial O'Reilly Media.
Pérez, L. (2024). Desarrollo de plugin GeoAI para Qgis [publicación]. Linkedin. https://www.linkedin.com/in/luisedpg/
Riera, C., Barrionuevo, N. y Gattinoni, N. (21-23 de septiembre de 2017). Riego mecanizado con agua subterránea en Buenos Aires norte: elementos para un análisis de la lógica productiva detrás del cambio territorial. XXVI Congreso Nacional del Agua.Córdoba, Argentina.
Rouse, J., Haas, R., Schell, J. y Deering, D. (1973). Monitoring Vegetation Systems in the Great Plains with ERTS. Proceedings of 3rd Earth Resources Technology Satellite Symposium, 1(Sect.A), 309-317. https://ntrs.nasa.gov/citations/19740022614
Saraiva, M., Protas, É., Salgado, M. y Souza Jr., C. (2020). Automatic mapping of Center Pivot Irrigation Systems from satellite images using deep learning. Remote Sensing, 12(3), 558. http://dx.doi.org/10.3390/rs12030558
Sentinel 2. (s.f.). Misión Sentinel 2. SentiWiki. Recuperado el 13 de marzo de 2026 de https://sentiwiki.copernicus.eu/web/sentinel-2
Shen, L. y Li, C. (2010). Water body extraction from Landsat ETM+ imagery using adaboost algorithm. Proceedings of the 2010 18th International Conference on Geoinformatics, 1-4. https://doi.org/10.1109/GEOINFORMATICS.2010.5567762
Wu, Q. y Prado Osco, L. (2023). Samgeo: A python package for segmentation geospatial data with the Segment Anything Model (SAM). Journal of Open Source Software, 8(89), 5663. https://doi.org/10.21105/joss.05663
Zhang, C., Yue, P., Di, L. y Wu, Z. (2018). Automatic identification of center pivot irrigation systems from Landsat images using convolutional neural networks. Agriculture, 8(10), 147. https://doi.org/10.3390/agriculture8100147
Descargas
Publicado
Número
Sección
Licencia
Derechos de autor 2026 Néstor Barrionuevo, Sofía Havrylenko, Gabriela Sepulcri, Alejandra Casella, Aimé Espíndola
Esta obra está bajo una licencia internacional Creative Commons Atribución-NoComercial-CompartirIgual 4.0.
Aquellos autores/as que tengan publicaciones con esta revista, aceptan los términos siguientes:
- Los autores/as conservarán sus derechos de autor y garantizarán a la revista el derecho de primera publicación de su obra, el cuál estará simultáneamente sujeto a la Creative Commons Atribución-NoComercial-CompartirIgual 4.0 Internacional (CC BY-NC-SA 4.0) que permite a terceros compartir la obra siempre que se indique su autor y su primera publicación esta revista, no hagan uso comercial de ella y las obras derivadas de hagan bajo la misma licencia.
- Los autores/as podrán adoptar otros acuerdos de licencia no exclusiva de distribución de la versión de la obra publicada (p. ej.: depositarla en un archivo telemático institucional o publicarla en un volumen monográfico) siempre que se indique la publicación inicial en esta revista.
- Se permite y recomienda a los autores/as difundir su obra a través de Internet (p. ej.: en archivos telemáticos institucionales o en su página web) antes y durante el proceso de envío, lo cual puede producir intercambios interesantes y aumentar las citas de la obra publicada. (Véase El efecto del acceso abierto).
