Nº 282 43 COSTES Y EFICIENCIA DEL MAÍZ ¿DÓNDE SE PUEDE RECORTAR GASTOS? ¿CÓMO SUBIR LAS PRODUCCIONES? V JORNADA 3.2. Estimación de la superficie de cultivos herbáceos realmente regados en la región Conocer la superficie total de cultivos verdaderamente regados en cada campaña es una asignatura pendiente. Las estadísticas agrarias oficiales se nutren de las declaraciones de la PAC en las que los agricultores tienen la posibilidad de declarar cada año sus parcelas en regadío. Esta declaración obedece de forma mayoritaria a las características propias asignadas a la parcela en el SIGPAC, independientemente de que efectivamente se riegue a lo largo de la campaña. Por lo tanto, la superficie estimada mediante estadísticas derivadas de las declaraciones de la PAC debe tener la consideración de regable. Sin embargo, la superficie que obtenemos mediante teledetección refiere a un regadío “efectivo” (superficie regada), donde las imágenes de satélites detectan de forma objetiva los píxeles que se comportan como regados. En dicho contexto, un valor añadido de este mapa, es que podemos obtener una estimación de la superficie to- tal que hay en nuestra región dedicada a regadío. Así, la superficie mínima de regadío obtenida para 2016 ha sido de 353.498 ha. A modo de ejemplo observamos que esta superficie de regadío “efectiva” obtenida es menor que la declarada en la PAC considerando las mismas clases (399.686 ha). En 2017 se detectaron 312.563 ha y en 2018 fueron 314.120 ha (ver Tabla 1). Teniendo en cuenta que el 2017 transcurrió como el año más seco y antes de terminar el ciclo de algunos de los cultivos de verano como el maíz y la remolacha, hubo restricciones de agua para el riego por parte de las confederaciones hidrográficas, parece razonable que la superficie detectada como regadío haya disminuido. Esto en sí mismo no disminuye la superficie de cultivos en regadío, pero sí que dificulta la detección de los mismos por teledetección en determinadas fechas claves para su detección. Además, no sorprende que no haya aumentado la superficie en regadío detectada en 2018, ya que este año fue considerado un año húmedo y la necesidad de regar no fue tan acuciante como los dos años anteriores. 4. CONCLUSIONES Las medidas de precisión obtenidas demuestran que los mapas de cobertura del suelo presentados en este trabajo son una herramienta muy útil que ayudará a las administraciones en la toma de decisiones sobre gestión del agua y la planificación de las infraestructuras de riego. La metodología presentada demuestra ser eficaz para detectar los principales cultivos herbáceos en regadío de nuestra región. Sin embargo, se han observado algunas limitaciones identificando cultivos minoritarios en riego así como al inferir la superficie total de riego con un simple conteo de píxeles, en lugar de aplicar otros métodos, como un ajuste del área por regresión, (Gallego, 2004). Además, hay que considerar que el gran detalle temático que se ha empleado en la clasificación de estos 3 años (más de 100 clases categorizadas) hace que la precisión global alcanzada no sea en ninguno de los tres años la deseable. Por lo tanto, un ejercicio futuro es agrupar las clases para alcanzar al menos una precisión global del 85%, establecida como óptima, y un incremento en las métricas individuales de cada clase. La determinación de la superficie verdaderamente regada sigue siendo un tema de complicada resolución debido a la gran diversidad de situaciones y a la diferente concepción del problema según su enfoque, que en muchos casos no está claramente diferenciada de la superficie regable. En cualquier caso, estas metodologías son una interesante herramienta para la monitorización de las zonas regables en lo referente a la intensidad de cultivo y uso del agua con escala de detalle, así como para la identificación de aquellas parcelas que se riegan careciendo de derecho de uso del agua y aquellas que, aun teniendo derecho de uso, no hacen uso del recurso. 5. AGRADECIMIENTOS El desarrollo de este trabajo ha sido realizado en el marco del proyecto “SENSAGRI” que ha recibido financiación del Programa de Innovación e Investigación Horizon 2020 de la Unión Europea (Contrato acuerdo se subvención nº 730074). Nuestro agradecimiento también a José L. Bengoa de la Consejería de Fomento y Medio Ambiente de la Junta de Castilla y León, por proporcionarnos los datos de medio natural usados en la clasificación a nivel regional. 6. BIBLIOGRAFÍA Ambika, A. K., Wardlow, B., & Mishra, V. 2016. Remotely sensed high resolution irrigated area mapping in India for 2000 to 2015. Scientific data, 3, 160118. Conrad, C., Fritsch, S., Zeidler, J., Rücker, G., & Dech, S. 2010. Perfield irrigated crop classification in arid Central Asia using SPOT and ASTER data. Remote Sensing, 2(4), 1035-1056. Caetano, M., A. Araújo, A. Nunes, V. Nunes and M. Pereira, “Accuracy assessment of the CORINE Land Cover 2006 map of Continental Portugal”. Technical Report, Instituto Geográfico Português, 2009. Del Blanco Medina, V. & Nafría García,D.A. 2015. Mapa de cultivos y superficies naturales de Castilla y León. XVI Congreso de la Asociación Española de Teledetección. Teledetección: Humedales y Espacios Protegidos. pp. 32-35. Gallego, F.J. 2004. Remote sensing and land cover area estimation, International Journal of Remote Sensing, 25:15, 3019-3047 Gómez, V.P., Medina, V.D.B., Bengoa, J.L., & García, D.A.N., 2018. Accuracy Assessment of a 122 Classes Land Cover Map Based on Sentinel-2, Landsat 8 and Deimos-1 Images and Ancillary Data. In International Geoscience and Remote Sensing Symposium, IEEE. pp. 5453-5456. Quinlan, J.R. 1992. C4.5: programs for machine learning, San Mateo, CA: Morgan Kaufmann. T
RkJQdWJsaXNoZXIy Njg1MjYx