Detección de terrazas agrícolas mediante aprendizaje automático a partir de ortofotos y LiDAR

La identificación precisa de terrazas agrícolas se ha convertido en una necesidad urgente para la gestión sostenible del territorio, la conservación del patrimonio agrícola y la mitigación de riesgos ambientales. En los últimos años, la combinación de ortofotos de alta resolución, modelos digitales del terreno derivados de LiDAR y métodos avanzados de aprendizaje automático ha permitido desarrollar soluciones más robustas y reproducibles para este fin.

El estudio desarrollado en el Valle de Roya, al sureste de Francia, constituye uno de los aportes más completos en esta línea. Utilizando imágenes ortorrectificadas proporcionadas por el Instituto Geográfico Nacional francés (IGN) y un modelo digital del terreno LiDAR HD de 1 metro, los autores demostraron que es posible detectar plataformas de terrazas con alta precisión, incluso en zonas densamente vegetadas o con relieve extremo.

Este artículo presenta un análisis detallado de ese caso, explica la metodología empleada, discute sus principales resultados y examina cómo este enfoque está siendo adoptado globalmente. Además, se revisan las aplicaciones potenciales en conservación, agricultura sostenible, análisis territorial y monitoreo de riesgos, elementos clave para cualquier profesional o investigador interesado en estadística, teledetección, ortofotos y LiDAR.

La importancia estratégica de las terrazas agrícolas

Las terrazas agrícolas son infraestructuras históricas construidas para permitir el cultivo en pendientes pronunciadas. Su valor no es únicamente productivo: cumplen funciones críticas como control de erosión, estabilización de laderas, gestión hídrica y preservación del paisaje cultural.

En regiones mediterráneas, alpinas y andinas se ha documentado un deterioro constante de estas estructuras debido al abandono rural. Esto incrementa la vulnerabilidad del suelo, un aspecto enfatizado en el paper a partir de los impactos evidenciados tras la Tormenta Alex (2020) en el Valle de Roya, donde las pocas terrazas activas demostraron una notable capacidad de resistencia frente a deslizamientos y erosión.

La necesidad de mapear, catalogar y evaluar estas estructuras ha impulsado la adopción de tecnologías avanzadas para su detección, superando las limitaciones de los métodos manuales y de interpretación visual.

Datos geoespaciales utilizados: ortofotos y LiDAR

1. Ortofotos de alta resolución (IGN, 20 cm/píxel)

Estas imágenes corregidas geométricamente permiten observar patrones visuales asociados a terrazas:

bordes lineales,
diferencias en textura de vegetación,
discontinuidades horizontales.

Las ortofotos, al presentar una vista cenital sin distorsión, son especialmente útiles para la delimitación manual y automática de estructuras agrícolas.

2. Modelo digital del terreno LiDAR (MDT-LiDAR HD)

Este MDT, derivado de una campaña LiDAR de 2021–2023, ofrece información detallada sobre:

pendiente,
curvaturas horizontal y vertical,
orientación (aspect),
microtopografía asociada a muros de contención.

El LiDAR proporciona una ventaja crucial: permite identificar terrazas incluso cuando están cubiertas de vegetación o parcialmente erosionadas, algo que las ortofotos no pueden resolver por sí solas.

La importancia estratégica de las terrazas agrícolas

Datos geoespaciales utilizados: ortofotos y LiDAR

1. Ortofotos de alta resolución (IGN, 20 cm/píxel)

Estas imágenes corregidas geométricamente permiten observar patrones visuales asociados a terrazas:

bordes lineales,
diferencias en textura de vegetación,
discontinuidades horizontales.

Las ortofotos, al presentar una vista cenital sin distorsión, son especialmente útiles para la delimitación manual y automática de estructuras agrícolas.

2. Modelo digital del terreno LiDAR (MDT-LiDAR HD)

Este MDT, derivado de una campaña LiDAR de 2021–2023, ofrece información detallada sobre:

pendiente,
curvaturas horizontal y vertical,
orientación (aspect),
microtopografía asociada a muros de contención.

Metodología: un enfoque estadístico y de aprendizaje automático

El proceso descrito en el paper integra herramientas clásicas de estadística espacial con modelos de aprendizaje automático supervisado.

1. Procesamiento en ArcGIS Pro

Los autores calcularon derivadas topográficas esenciales del MDT, incluyendo:

pendiente
curvatura del perfil
curvatura del plano
análisis de relieve local

Estas variables formaron el conjunto de atributos que alimentó el modelo de clasificación.

2. Generación del dataset de entrenamiento

Se seleccionaron ejemplos de “terrazas” y “no terrazas” valiéndose de validación de campo y revisión de ortofotos.
Este proceso permitió crear un dataset balanceado para entrenar modelos robustos.

3. Clasificación con Support Vector Machine (SVM)

El algoritmo seleccionado fue SVM con kernel radial (RBF), altamente eficaz para problemas no lineales y para territorios con morfología irregular.

El SVM intentó separar las dos clases mediante una frontera óptima basada en los atributos geomorfológicos obtenidos del MDT.

4. Validación y métricas

El estudio reporta las siguientes métricas:

Exactitud global (OA)
Precisión del usuario (UA)
Precisión del productor (PA)

En Saorge, los valores máximos alcanzaron 97 % de precisión, mientras que en La Brigue la exactitud osciló entre 72–74 %, afectada por vegetación densa y relieve abrupto.

Metodología: un enfoque estadístico y de aprendizaje automático

El proceso descrito en el paper integra herramientas clásicas de estadística espacial con modelos de aprendizaje automático supervisado.

1. Procesamiento en ArcGIS Pro

Los autores calcularon derivadas topográficas esenciales del MDT, incluyendo:

pendiente
curvatura del perfil
curvatura del plano
análisis de relieve local

Estas variables formaron el conjunto de atributos que alimentó el modelo de clasificación.

2. Generación del dataset de entrenamiento

3. Clasificación con Support Vector Machine (SVM)

4. Validación y métricas

El estudio reporta las siguientes métricas:

Exactitud global (OA)
Precisión del usuario (UA)
Precisión del productor (PA)

En Saorge, los valores máximos alcanzaron 97 % de precisión, mientras que en La Brigue la exactitud osciló entre 72–74 %, afectada por vegetación densa y relieve abrupto.

Resultados: detección eficiente y patrones territoriales

Los hallazgos del estudio muestran que:

1. Se identificaron decenas de terrazas previamente no catalogadas

El modelo logró mapear:

18 terrazas principales en Saorge,
35 terrazas principales en La Brigue.

Estas cubren áreas significativas del paisaje agrícola tradicional.

2. La orientación sur fue predominante

Esto confirma estrategias históricas de maximización solar, relevantes para estudios de agricultura ancestral y microclimas locales.

3. Las terrazas presentan indicadores geométricos consistentes

En particular:

curvaturas positivas en la parte superior de muros
bordes abruptos en cambios de pendiente
relieves suavizados en la plataforma plana.

Estos atributos representan insumos potenciales para futuras automatizaciones y modelos generalizables a otras regiones.

Aplicaciones globales: cómo el mundo está usando LiDAR y ML para estudiar terrazas

La tecnología utilizada en el Valle de Roya forma parte de un movimiento global en la que diversos países aplican modelo digital del terreno, aprendizaje automático y técnicas estadísticas para identificar y restaurar terrazas:

España (Galicia y Valencia): detección de “socalcos” con Random Forest y CNNs.
China (Yunnan y Sichuan): modelos de deep learning para reconocer terrazas de arroz en zonas montañosas.
Italia (Liguria): uso combinado de LiDAR UAV y modelos morfométricos.
Perú y Ecuador: estudios sobre andenerías incas mediante MDTs derivados de LiDAR aerotransportado.

La tendencia evidencia una adopción creciente de metodologías semi-automatizadas, que reducen tiempos de análisis y aumentan la objetividad en la clasificación espacial.

Limitaciones señaladas en el estudio

El paper identifica algunos retos técnicos:

Diferencias temporales entre ortofotos (2020) y LiDAR (2021–2023).
Desbalance de clases, donde las zonas sin terrazas son mucho más frecuentes.
Ruido asociado a vegetación densa, complicando la detección en áreas boscosas.
Dependencia topográfica local, que puede limitar la transferencia directa del modelo a otros territorios sin ajustes previos.

Estas limitaciones ofrecen una base sólida para investigación futura, especialmente en el desarrollo de modelos híbridos con deep learning o en la integración de series LiDAR multitemporales.

El estudio del Valle de Roya demuestra que la combinación de ortofotos, LiDAR y modelos de aprendizaje automático constituye una herramienta eficaz para la detección precisa de terrazas agrícolas. La integración de estadística espacial, geomorfometría y clasificación supervisada abre nuevas oportunidades para la conservación del paisaje agrícola, la planificación territorial y la gestión de riesgos.

Este enfoque no solo recupera estructuras históricas invisibles a simple vista, sino que puede contribuir a programas de restauración, agricultura sostenible y monitoreo ambiental en regiones montañosas de todo el mundo.

Paper

Potencia tu crecimiento con nuestras capacitaciones en estadística y ciencia de datos.

Capacitaciones Continuas SEE