Pasar al contenido principal

Predicción de pérdidas de cultivos de alta magnitud y baja frecuencia mediante el aprendizaje automático: una aplicación para cereales en Etiopía

Inglés

Las evaluaciones de impacto agrícola oportunas y precisas para las sequías son críticas para diseñar las intervenciones y políticas apropiadas. Estas evaluaciones son a menudo ad hoc, tardías o espacialmente imprecisas, con informes a nivel zonal o regional. Esto es problemático ya que encontramos una variabilidad sustancial en las pérdidas a nivel de la aldea, que falta cuando se informa a nivel zonal. En este documento, proponemos un nuevo método de fusión de datos, que combina datos obtenidos por teledetección con datos de encuestas agrícolas, que podrían abordar estas limitaciones. Aplicamos el método a Etiopía, que es regularmente afectada por las sequías y es un receptor importante de ayuda alimentaria importada ad hoc. Luego utilizamos datos obtenidos por teledetección cerca de la mitad de la temporada para predecir pérdidas sustanciales de cultivos mayores o iguales al 25% debido a la sequía en el nivel de la aldea para cinco cultivos de cereales primarios. Capacitamos modelos de aprendizaje automático para predecir la probabilidad de pérdidas y explorar las variables más influyentes. En muestras independientes, los modelos identifican casos sustanciales de pérdida por sequía con hasta un 81% de precisión de mediados a finales de septiembre. Creemos que los modelos propuestos podrían usarse para ayudar a monitorear y predecir los rendimientos de los equipos de respuesta a desastres y los responsables de las políticas, en particular con un mayor desarrollo de los modelos y la integración de datos de teledetección de alta resolución disponibles próximamente, como el conjunto de datos Harmonized Landsat Sentinel (HLS) 

Climate Chance (2019)

 


Autor del documento: Michael L. Mann, James M. Warner and Arun S. Malik
Ir al enlace