Detección automática del riego por pivote central a partir de imágenes satelitales de alta resolución en el norte de Buenos Aires (2016-2023)

Autores
Barrionuevo, Nestor; Havrylenko, Sofía Beatriz; Sepulcri, Maria Gabriela; Casella, Alejandra An; Espindola, Aime
Año de publicación
2025
Idioma
español castellano
Tipo de recurso
documento de conferencia
Estado
versión publicada
Descripción
Publicado en: JAIIO, Jornadas Argentinas de Informática Revista de la Sociedad Argentina de Informática e Investigación Operativa (SADIO), 11 (3) : 15-28 (2025)
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.
Center-pivot irrigation enhances agricultural productivity and adapts to climate variability amid growing food demand and water scarcity. This study analyzes its expansion in northern Buenos Aires Province, Argentina, between 2016 and 2023 using Sentinel-2 satellite imagery from the Copernicus program and automated detection algorithms. Spectral indices such as NDVI, EVI, and WRI were calculated and served as inputs for the Grounding DINO model. This model combines computer vision and natural language-based artificial intelligence (AI) and was adapted to identify the circular patterns typical of center-pivot irrigation in a region characterized by continuous vegetation, which complicates automated detection. The developed methodology detected a 159% increase in irrigation systems during the study period, linked to agricultural drought events that drove their adoption. The model achieved an F1-Score of 73.2%, demonstrating its effectiveness in the Pampa Húmeda region. The results show that integrating remote sensing and AI enables efficient monitoring of this agricultural technology's expansion. Furthermore, the study highlights the need to continue developing AI models to improve the detection and characterization of geographic features, supporting sustainable water resource management.
Instituto de Clima y Agua
Fil: Barrionuevo, Néstor. Instituto Nacional de Tecnología Agropecuaria (INTA). Instituto de Clima y Agua; Argentina
Fil: Havrylenko, Sofia. Instituto Nacional de Tecnología Agropecuaria (INTA). Instituto de Clima y Agua; Argentina
Fil: Sepulcri, Gabriela. Instituto Nacional de Tecnología Agropecuaria (INTA). Estación Experimental Agropecuaria AMBA. Agencia de Extensión Rural Luján; Argentina
Fil: Casella, Alejandra Andrea. Instituto Nacional de Tecnología Agropecuaria (INTA). Instituto de Clima y Agua; Argentina
Fil: Espindola, Aimé. Instituto Nacional de Tecnología Agropecuaria (INTA). Instituto de Clima y Agua; Argentina
Fuente
54as Jornadas Argentinas de Informática e Investigación Operativa (54 JAIIO) , 17o Congreso Argentino de AgroInformática (CAI 2025), Ciudad de Buenos Aires, 4 al 7 de agosto de 2025
Materia
Riego por Aspersión
Sprinkler Irrigation
Irrigation
Artificial Intelligence
Satellite Imagery
Riego
Inteligencia Artificial
Imágenes por Satélites
Imágenes Satelitales
Satellite Images
Nivel de accesibilidad
acceso abierto
Condiciones de uso
http://creativecommons.org/licenses/by-nc-sa/4.0/
Repositorio
INTA Digital (INTA)
Institución
Instituto Nacional de Tecnología Agropecuaria
OAI Identificador
oai:localhost:20.500.12123/24478
Acceder
id INTADig_ce9f7a74b7b94c029d80be3aa9b79c5c
oai_identifier_str oai:localhost:20.500.12123/24478
network_acronym_str INTADig
repository_id_str l
network_name_str INTA Digital (INTA)
spelling Detección automática del riego por pivote central a partir de imágenes satelitales de alta resolución en el norte de Buenos Aires (2016-2023)Barrionuevo, NestorHavrylenko, Sofía BeatrizSepulcri, Maria GabrielaCasella, Alejandra AnEspindola, AimeRiego por AspersiónSprinkler IrrigationIrrigationArtificial IntelligenceSatellite ImageryRiegoInteligencia ArtificialImágenes por SatélitesImágenes SatelitalesSatellite ImagesPublicado en: JAIIO, Jornadas Argentinas de Informática Revista de la Sociedad Argentina de Informática e Investigación Operativa (SADIO), 11 (3) : 15-28 (2025)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.Center-pivot irrigation enhances agricultural productivity and adapts to climate variability amid growing food demand and water scarcity. This study analyzes its expansion in northern Buenos Aires Province, Argentina, between 2016 and 2023 using Sentinel-2 satellite imagery from the Copernicus program and automated detection algorithms. Spectral indices such as NDVI, EVI, and WRI were calculated and served as inputs for the Grounding DINO model. This model combines computer vision and natural language-based artificial intelligence (AI) and was adapted to identify the circular patterns typical of center-pivot irrigation in a region characterized by continuous vegetation, which complicates automated detection. The developed methodology detected a 159% increase in irrigation systems during the study period, linked to agricultural drought events that drove their adoption. The model achieved an F1-Score of 73.2%, demonstrating its effectiveness in the Pampa Húmeda region. The results show that integrating remote sensing and AI enables efficient monitoring of this agricultural technology's expansion. Furthermore, the study highlights the need to continue developing AI models to improve the detection and characterization of geographic features, supporting sustainable water resource management.Instituto de Clima y AguaFil: Barrionuevo, Néstor. Instituto Nacional de Tecnología Agropecuaria (INTA). Instituto de Clima y Agua; ArgentinaFil: Havrylenko, Sofia. Instituto Nacional de Tecnología Agropecuaria (INTA). Instituto de Clima y Agua; ArgentinaFil: Sepulcri, Gabriela. Instituto Nacional de Tecnología Agropecuaria (INTA). Estación Experimental Agropecuaria AMBA. Agencia de Extensión Rural Luján; ArgentinaFil: Casella, Alejandra Andrea. Instituto Nacional de Tecnología Agropecuaria (INTA). Instituto de Clima y Agua; ArgentinaFil: Espindola, Aimé. Instituto Nacional de Tecnología Agropecuaria (INTA). Instituto de Clima y Agua; ArgentinaSociedad Argentina de Informática e Investigación Operativa (SADIO)2025-11-06T09:58:21Z2025-11-06T09:58:21Z2025-08-04info:eu-repo/semantics/conferenceObjectinfo:eu-repo/semantics/publishedVersionhttp://purl.org/coar/resource_type/c_5794info:ar-repo/semantics/documentoDeConferenciaapplication/pdfhttp://hdl.handle.net/20.500.12123/24478https://revistas.unlp.edu.ar/JAIIO/article/view/196622451-749654as Jornadas Argentinas de Informática e Investigación Operativa (54 JAIIO) , 17o Congreso Argentino de AgroInformática (CAI 2025), Ciudad de Buenos Aires, 4 al 7 de agosto de 2025reponame:INTA Digital (INTA)instname:Instituto Nacional de Tecnología Agropecuariaspastart=2016; end=2023info:eu-repo/semantics/openAccesshttp://creativecommons.org/licenses/by-nc-sa/4.0/Creative Commons Attribution-NonCommercial-ShareAlike 4.0 International (CC BY-NC-SA 4.0)2025-12-04T09:26:01Zoai:localhost:20.500.12123/24478instacron:INTAInstitucionalhttp://repositorio.inta.gob.ar/Organismo científico-tecnológicoNo correspondehttp://repositorio.inta.gob.ar/oai/requesttripaldi.nicolas@inta.gob.arArgentinaNo correspondeNo correspondeNo correspondeopendoar:l2025-12-04 09:26:02.044INTA Digital (INTA) - Instituto Nacional de Tecnología Agropecuariafalse
dc.title.none.fl_str_mv Detección automática del riego por pivote central a partir de imágenes satelitales de alta resolución en el norte de Buenos Aires (2016-2023)
title Detección automática del riego por pivote central a partir de imágenes satelitales de alta resolución en el norte de Buenos Aires (2016-2023)
spellingShingle Detección automática del riego por pivote central a partir de imágenes satelitales de alta resolución en el norte de Buenos Aires (2016-2023)
Barrionuevo, Nestor
Riego por Aspersión
Sprinkler Irrigation
Irrigation
Artificial Intelligence
Satellite Imagery
Riego
Inteligencia Artificial
Imágenes por Satélites
Imágenes Satelitales
Satellite Images
title_short Detección automática del riego por pivote central a partir de imágenes satelitales de alta resolución en el norte de Buenos Aires (2016-2023)
title_full Detección automática del riego por pivote central a partir de imágenes satelitales de alta resolución en el norte de Buenos Aires (2016-2023)
title_fullStr Detección automática del riego por pivote central a partir de imágenes satelitales de alta resolución en el norte de Buenos Aires (2016-2023)
title_full_unstemmed Detección automática del riego por pivote central a partir de imágenes satelitales de alta resolución en el norte de Buenos Aires (2016-2023)
title_sort Detección automática del riego por pivote central a partir de imágenes satelitales de alta resolución en el norte de Buenos Aires (2016-2023)
dc.creator.none.fl_str_mv Barrionuevo, Nestor
Havrylenko, Sofía Beatriz
Sepulcri, Maria Gabriela
Casella, Alejandra An
Espindola, Aime
author Barrionuevo, Nestor
author_facet Barrionuevo, Nestor
Havrylenko, Sofía Beatriz
Sepulcri, Maria Gabriela
Casella, Alejandra An
Espindola, Aime
author_role author
author2 Havrylenko, Sofía Beatriz
Sepulcri, Maria Gabriela
Casella, Alejandra An
Espindola, Aime
author2_role author
author
author
author
dc.subject.none.fl_str_mv Riego por Aspersión
Sprinkler Irrigation
Irrigation
Artificial Intelligence
Satellite Imagery
Riego
Inteligencia Artificial
Imágenes por Satélites
Imágenes Satelitales
Satellite Images
topic Riego por Aspersión
Sprinkler Irrigation
Irrigation
Artificial Intelligence
Satellite Imagery
Riego
Inteligencia Artificial
Imágenes por Satélites
Imágenes Satelitales
Satellite Images
dc.description.none.fl_txt_mv Publicado en: JAIIO, Jornadas Argentinas de Informática Revista de la Sociedad Argentina de Informática e Investigación Operativa (SADIO), 11 (3) : 15-28 (2025)
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.
Center-pivot irrigation enhances agricultural productivity and adapts to climate variability amid growing food demand and water scarcity. This study analyzes its expansion in northern Buenos Aires Province, Argentina, between 2016 and 2023 using Sentinel-2 satellite imagery from the Copernicus program and automated detection algorithms. Spectral indices such as NDVI, EVI, and WRI were calculated and served as inputs for the Grounding DINO model. This model combines computer vision and natural language-based artificial intelligence (AI) and was adapted to identify the circular patterns typical of center-pivot irrigation in a region characterized by continuous vegetation, which complicates automated detection. The developed methodology detected a 159% increase in irrigation systems during the study period, linked to agricultural drought events that drove their adoption. The model achieved an F1-Score of 73.2%, demonstrating its effectiveness in the Pampa Húmeda region. The results show that integrating remote sensing and AI enables efficient monitoring of this agricultural technology's expansion. Furthermore, the study highlights the need to continue developing AI models to improve the detection and characterization of geographic features, supporting sustainable water resource management.
Instituto de Clima y Agua
Fil: Barrionuevo, Néstor. Instituto Nacional de Tecnología Agropecuaria (INTA). Instituto de Clima y Agua; Argentina
Fil: Havrylenko, Sofia. Instituto Nacional de Tecnología Agropecuaria (INTA). Instituto de Clima y Agua; Argentina
Fil: Sepulcri, Gabriela. Instituto Nacional de Tecnología Agropecuaria (INTA). Estación Experimental Agropecuaria AMBA. Agencia de Extensión Rural Luján; Argentina
Fil: Casella, Alejandra Andrea. Instituto Nacional de Tecnología Agropecuaria (INTA). Instituto de Clima y Agua; Argentina
Fil: Espindola, Aimé. Instituto Nacional de Tecnología Agropecuaria (INTA). Instituto de Clima y Agua; Argentina
description Publicado en: JAIIO, Jornadas Argentinas de Informática Revista de la Sociedad Argentina de Informática e Investigación Operativa (SADIO), 11 (3) : 15-28 (2025)
publishDate 2025
dc.date.none.fl_str_mv 2025-11-06T09:58:21Z
2025-11-06T09:58:21Z
2025-08-04
dc.type.none.fl_str_mv info:eu-repo/semantics/conferenceObject
info:eu-repo/semantics/publishedVersion
http://purl.org/coar/resource_type/c_5794
info:ar-repo/semantics/documentoDeConferencia
format conferenceObject
status_str publishedVersion
dc.identifier.none.fl_str_mv http://hdl.handle.net/20.500.12123/24478
https://revistas.unlp.edu.ar/JAIIO/article/view/19662
2451-7496
url http://hdl.handle.net/20.500.12123/24478
https://revistas.unlp.edu.ar/JAIIO/article/view/19662
identifier_str_mv 2451-7496
dc.language.none.fl_str_mv spa
language spa
dc.rights.none.fl_str_mv info:eu-repo/semantics/openAccess
http://creativecommons.org/licenses/by-nc-sa/4.0/
Creative Commons Attribution-NonCommercial-ShareAlike 4.0 International (CC BY-NC-SA 4.0)
eu_rights_str_mv openAccess
rights_invalid_str_mv http://creativecommons.org/licenses/by-nc-sa/4.0/
Creative Commons Attribution-NonCommercial-ShareAlike 4.0 International (CC BY-NC-SA 4.0)
dc.format.none.fl_str_mv application/pdf
dc.coverage.none.fl_str_mv start=2016; end=2023
dc.publisher.none.fl_str_mv Sociedad Argentina de Informática e Investigación Operativa (SADIO)
publisher.none.fl_str_mv Sociedad Argentina de Informática e Investigación Operativa (SADIO)
dc.source.none.fl_str_mv 54as Jornadas Argentinas de Informática e Investigación Operativa (54 JAIIO) , 17o Congreso Argentino de AgroInformática (CAI 2025), Ciudad de Buenos Aires, 4 al 7 de agosto de 2025
reponame:INTA Digital (INTA)
instname:Instituto Nacional de Tecnología Agropecuaria
reponame_str INTA Digital (INTA)
collection INTA Digital (INTA)
instname_str Instituto Nacional de Tecnología Agropecuaria
repository.name.fl_str_mv INTA Digital (INTA) - Instituto Nacional de Tecnología Agropecuaria
repository.mail.fl_str_mv tripaldi.nicolas@inta.gob.ar
_version_ 1850583129907003392
score 12.703443

Publicaciones similares