Vista aérea de una fila de colmenas en un campo de colza amarillo en flor

Integración de observaciones derivadas de satélites con datos aportados por usuarios para la delimitación de recursos forrajeros para abejas

Trabajo presentado en el 77.º Congreso Internacional de Astronáutica (IAC 2026), Antalya, Turquía, 5-9 de octubre de 2026. Código del trabajo: IAC-26,B1,IP,12,x108880. Póster: ver el iPoster del IAC 2026.

‍

dr inż. Dagmara Stasiowska
Adiunkt, Wydział Technologii Kosmicznych AGH, Chief Scientific Officer, Apisense
Michał Wierzbiński
Chief AI Officer, Apisense
dr inż. Bartosz Kądziołka
Chief Technology Officer, Apisense
The original version of this article is in English. Other language versions are the result of automatic translation

Resumen

Una gestión eficaz del colmenar requiere conocer los recursos de forrajeo durante los distintos periodos estacionales. Sin embargo, el conocimiento sobre la disponibilidad de néctar y polen depende en gran medida de la experiencia del apicultor sobre los recursos melíferos disponibles localmente, los cuales están limitados temporalmente y fragmentados geográficamente. Este estudio propone un marco híbrido de integración de datos que combina datos de observación de la Tierra (OT) derivados de satélites con información estructurada aportada por los apicultores para mejorar la delimitación y caracterización de las áreas de forrajeo de las abejas. Las imágenes por satélite de Sentinel-2 proporcionan datos multiespectrales con una alta resolución espacial y temporal, lo que permite la clasificación de la vegetación y el seguimiento fenológico. Se utilizan índices espectrales y algoritmos de clasificación de cobertura terrestre supervisada para generar mapas de posibles hábitats melíferos, incluidos cultivos en floración, prados, bosques y pastizales seminaturales. Estas capas pueden enriquecerse adicionalmente con información sobre el periodo de floración para servir como una aproximación de la disponibilidad de forraje. No obstante, el sistema basado únicamente en satélites tiene limitaciones, como la resolución máxima de las imágenes, que deja de lado fuentes de polen y néctar más pequeñas y fragmentadas. Para abordar estas limitaciones, el sistema propuesto incorpora observaciones generadas por los usuarios proporcionadas por los apicultores a través de una plataforma digital dedicada. Los datos introducidos incluyen el inicio y la duración de la floración, la intensidad percibida del flujo de néctar, la atribución de la producción de miel a las fuentes florales dominantes y evaluaciones cualitativas del comportamiento de forrajeo de la colonia. Este enfoque mejora la resolución espacial de la evaluación de los recursos forrajeros, reduce la incertidumbre en la delimitación de las áreas melíferas y apoya la toma de decisiones en la ubicación de las colmenas, la planificación del traslado de los colmenares y la mitigación de riesgos ante la variabilidad climática. Además, el marco demuestra cómo la experiencia en el dominio aportada por los ciudadanos puede apoyar la vigilancia medioambiental basada en satélites.

Palabras clave: Observación de la Tierra; Sentinel-1; Sentinel-2; apicultura de precisión; colza; recursos forrajeros

Autores

Michał Lupaa, Dagmara Stasiowskaa,b*, Michał Wierzbińskib, Bartosz Kądziołkab, Sebastian Ciborb, Martyna Durdaa, Jakub Sumaraa, Kacper Pileckia, Mikołaj Nikiela

a Facultad de Tecnologías Espaciales, Universidad AGH de Cracovia

b Apisense Sp. z o.o.

* Autor de correspondencia

Nomenclatura

C(y) - contribución de azúcar del néctar en la ubicación de origen y

K(d) - núcleo de distancia de vuelo a la distancia d

λ - longitud de decaimiento exponencial del núcleo de vuelo

R - rango máximo de vuelo utilizado por el núcleo

P(x) - potencial de forrajeo alcanzable en la ubicación x

GDD - grados día de crecimiento

Tmax, Tmin - temperatura máxima y mínima diaria del aire

Siglas/Abreviaturas

EO - Observación de la Tierra

SAR - Radar de Apertura Sintética

NDVI - Índice de Vegetación de Diferencia Normalizada

NDYI - Índice Amarillo de Diferencia Normalizada

GDD - Grados Día de Crecimiento

ARiMR - Agencia para la Reestructuración y Modernización de la Agricultura (Polonia)

JRC - Centro Común de Investigación

EUCROPMAP - Mapa de Tipos de Cultivos de la Unión Europea

FFT - Transformada Rápida de Fourier

1. Introducción

La disponibilidad de recursos florales es uno de los principales factores que afectan al desarrollo de las colonias de abejas melíferas y a la productividad de los colmenares. Sin embargo, para los apicultores, la cuestión clave no es solo si existe un cultivo en floración, sino qué cantidad de dicho recurso está disponible y es accesible para una colonia de abejas. La evaluación convencional, basada en la inspección de campo y el conocimiento local, se limita a apicultores experimentados con colmenares fijos o que visitan regularmente las mismas ubicaciones, es difícil de escalar a grandes regiones y a menudo no logra reconstruir las condiciones históricas.

La observación de la Tierra proporciona una fuente complementaria de información espacial y temporal. Sentinel-2 ofrece observaciones multiespectrales adecuadas para el seguimiento de la vegetación, mientras que Sentinel-1 suministra mediciones de radar en banda C independientes de las condiciones meteorológicas [1,2]. Su combinación ha demostrado un gran potencial para la clasificación de cultivos en grandes áreas [3].

La colza (Brassica napus L) es un objetivo especialmente adecuado debido a su desarrollo estacional, que produce señales ópticas y de radar distintivas. Su fase de floración puede detectarse adicionalmente mediante información espectral, lo que brinda la oportunidad de conectar la presencia del cultivo con la disponibilidad de forraje.

La accesibilidad espacial es otro factor a considerar. La distancia de búsqueda de alimento de las abejas melíferas varía según la estación y las condiciones de los recursos; Couvillon et al. [5] informaron una distancia media de búsqueda de alimento en primavera de aproximadamente 493 m a partir de más de 5.000 danzas de comunicación. Esto proporciona una base empírica para sustituir los simples búferes de radio fijo por modelos de forraje ponderados por distancia.

El objetivo de este estudio es desarrollar un flujo de trabajo de EO integral que transforme las observaciones satelitales en un producto de recursos forrajeros de colza espacialmente explícito. Los objetivos específicos son: (i) detectar la colza utilizando series temporales de Sentinel-1 y Sentinel-2; (ii) evaluar la transferibilidad espacial y temporal; (iii) estimar el momento de la floración utilizando la fenología y la temperatura derivadas de satélite; y (iv) transformar el área de cultivo detectada en una estimación del azúcar del néctar potencial ponderada por accesibilidad alrededor de las ubicaciones de las colmenas. El producto de EO resultante constituye la base para su posterior integración con las observaciones aportadas por los apicultores.

2. Material y métodos

2.1. Área de estudio y datos

El estudio se llevó a cabo en el voivodato de Lublin, en el este de Polonia, una región agrícola intensiva que contiene un cultivo extensivo de colza de invierno. El análisis regional principal utilizó datos de 2022, ya que las declaraciones agrícolas de este año no se proporcionaron al flujo de trabajo, lo que permitió generar el mapa de forraje final a partir de observaciones satelitales.

Se utilizaron datos de Sentinel-2 Nivel-2A para derivar series temporales de NDVI y NDYI, mientras que los datos de Sentinel-1 Ground Range Detected proporcionaron predictores VV, VH y VH−VV. El sistema de clasificación utilizó observaciones de 2018-2026. Las declaraciones agrícolas de 2025-2026 proporcionaron etiquetas de entrenamiento y geometrías de parcelas. Los productos EUCROPMAP de 2018 y 2022 se utilizaron como referencias espaciales independientes. Los datos de temperatura ERA5, obtenidos a través de Open-Meteo, se emplearon para el modelado fenológico. Los parámetros de distancia de vuelo de las abejas se basaron en Couvillon et al. [5].

Table 1: data sources (Sentinel-2 L2A, Sentinel-1 GRD, ARiMR agricultural declarations, EUCROPMAP, ERA5 / Open-Meteo, Couvillon et al.) with their periods and roles in the workflow
Tabla 1. Fuentes de datos y su función en el flujo de trabajo.

2.2. Clasificación de colza

El clasificador utilizó información fenológica en lugar de adquisiciones satelitales individuales. El periodo de septiembre a septiembre se dividió en 26 ventanas de medio mes. Para cada ventana, se calcularon el NDVI y el NDYI a partir de los datos de Sentinel-2 y se expresaron como anomalías de escena en relación con el valor mediano de las tierras cultivables. Los valores de retrodispersión VV, VH y VH−VV de Sentinel-1 se utilizaron como predictores de radar. El vector de características resultante contenía 122 predictores.

Se entrenó un clasificador de bosque aleatorio (Random Forest) de 300 árboles utilizando parcelas agrícolas etiquetadas. Se utilizó una formulación de 12 clases, con la colza como clase objetivo y otros cultivos representados explícitamente en lugar de como un único fondo heterogéneo [4].

Se aplicó una validación por bloques espaciales para reducir la fuga espacial. El área de estudio se dividió en bloques de 2,5 km, asignándose bloques completos al conjunto de prueba. Un segundo experimento utilizó bloques de 10 km para evaluar la sensibilidad a la separación espacial.

2.3. Calibración de área y transferencia temporal

Debido a que los datos de entrenamiento estaban equilibrados por clases, el área clasificada bruta no podía representar directamente la distribución regional de cultivos. Se derivó un coeficiente multiplicativo a partir de 2025: el modelo detectó 160.321 ha en comparación con las 150.649 ha de las declaraciones, lo que arroja un coeficiente de 0,940.

Este coeficiente se transfirió a 2022 y se comparó con EUCROPMAP 2022 para determinar el área total y la distribución espacial.

2.4. Detección de floración y modelo fenológico

El momento de la floración se derivó del NDYI de Sentinel-2. Para cada combinación de área y temporada, las observaciones en torno al máximo estacional se ajustaron con una función cuadrática y el vértice se utilizó como fecha de pico de floración.

Posteriormente, un modelo de temperatura acumuló los grados-día de crecimiento a partir del 15 de marzo utilizando una temperatura base de 1,5 °C; la floración se predijo a los 430 GDD. Los parámetros se calibraron a partir de 145 observaciones de área-temporada de 19 áreas espaciales y nueve temporadas, y se evaluaron mediante validación cruzada de exclusión (leave-one-out).

2.5. Núcleo de distancia de vuelo y accesibilidad al forraje

La colza detectada se convirtió en una superficie de forraje espacial utilizando:

K(d) = exp(−d/λ),  d ≤ R;     K(d) = 0,  d > R     (1)

Para la colza de primavera, se calibró λ = 294 m a partir de la distancia media de forrajeo de primavera reportada de 493 m. El alcance máximo fue R = 4λ = 1178 m.

El núcleo normalizado se convolucionó con la capa de fuente de néctar-azúcar:

P(x) = Σᵧ C(y) K(d(x,y))     (2)

donde C(y) es la contribución de néctar-azúcar en la fuente y d(x,y) es la distancia entre la fuente y el objetivo. El producto regional utilizó una cuadrícula de 100 m y una convolución basada en FFT.

3. Teoría y cálculo

3.1 Accesibilidad al forraje centrada en las abejas

Un mapa de cultivos describe dónde se encuentra la colza, pero no cuánto contribuye cada campo individual a una colmena. Por lo tanto, el producto de forraje trata cada campo detectado como una fuente cuya contribución disminuye con la distancia. Esto evita la discontinuidad de un búfer de radio fijo y ancla la escala espacial al comportamiento observado de las abejas melíferas.

3.2 Predicción de la floración

El desarrollo de la floración se representó utilizando:

GDD(t) = Στ max[((Tmax(τ)+Tmin(τ))/2) − Tb, 0]     (3)

donde Tb es la temperatura base y la acumulación comienza el 15 de marzo. Se predijo la floración cuando los GDD alcanzaron los 430.

4. Resultados

4.1. Rendimiento de la clasificación de colza

La combinación de información de Sentinel-1 y Sentinel-2 produjo el mejor rendimiento de clasificación. Bajo la validación de bloques espaciales de 2,5 km, el modelo de 122 características logró un macro-F1 de 0,718 y un F1 de colza de 0,940. Sentinel-2 por sí solo logró un F1 de colza de 0,922, mientras que el modelo combinado aumentó el macro-F1 de 0,683 a 0,718. Los predictores de radar representaron el 52,9% de la importancia de las características y fueron particularmente valiosos durante los períodos en los que no se disponía de observaciones ópticas sin nubes.

Table 2: macro-F1 and rapeseed F1 for the Sentinel-2 only, Sentinel-1 only and combined Sentinel-1 + Sentinel-2 classifiers
Tabla 2. Validación de bloques espaciales del clasificador de 12 clases.

La evaluación a nivel de píxel reveló una distinción importante entre la clasificación de puntos de parcela representativos y el despliegue a resolución completa. En las ubicaciones de las parcelas representativas, la precisión y la recuperación fueron de 0,938 y 0,942, respectivamente. Bajo las proporciones de clase del mundo real, la precisión a nivel de píxel disminuyó a 0,528, mientras que la recuperación se mantuvo en 0,872. Esta degradación se concentró cerca de los límites de las parcelas: la puntuación F1 fue de 0,762 dentro de los 0-10 m de un límite de campo, 0,917 a 10-20 m, 0,975 a 20-40 m y 1,000 más allá de los 40 m.

Table 3: pixel-level precision, recall and F1 by distance from the parcel boundary, from 0-10 m to more than 40 m
Tabla 3. Rendimiento a nivel de píxel según la distancia desde el límite de la parcela.

Estos resultados indican que un píxel de 10 m ubicado en el límite de un campo puede contener más de una condición de cobertura terrestre. Para un producto de forraje destinado al movimiento de abejas a escala kilométrica, la incertidumbre resultante es menos trascendental después de la agregación espacial de lo que sería para el mapeo catastral a nivel de parcela.

4.2. Transferencia a una temporada independiente

El clasificador se entrenó utilizando 2025 parcelas etiquetadas y luego se evaluó en una temporada 2026 separada que contenía 21 933 parcelas etiquetadas. El F1 de colza disminuyó de 0,940 bajo la validación espacial de la temporada de entrenamiento a 0,875 en el año no visto. Esta reducción demuestra un cambio de dominio temporal real, pero también indica que la mayor parte de la señal de clasificación se transfiere entre temporadas.

Table 4: rapeseed F1 for spatial block validation 2025 and the independent 2026 season, and correlation with EUCROPMAP 2022
Tabla 4. Transferencia temporal y comparación independiente.

A escala regional, la estimación calibrada de 2022 fue de 138 518 ha, en comparación con las 147 701 ha en EUCROPMAP 2022, lo que corresponde a un -6,2%. La comparación independiente de EUCROPMAP no se trata como una medición de referencia; es otro producto basado en modelos. No obstante, su concordancia proporciona evidencia de que el flujo de trabajo basado únicamente en satélites preserva la amplia estructura espacial de la distribución de la colza en un año sin declaraciones.

Map of the Lubelskie Voivodeship showing reachable rapeseed nectar sugar in 2022, derived from satellite data only
Fig. 1. Azúcar de néctar de colza accesible en el voivodato de Lublin en 2022, generado a partir de la detección de colza mediante satélite sin declaraciones de los agricultores para ese año.

4.3 Estimación de la fecha de floración

El modelo GDD calibrado alcanzó un RMSE de validación cruzada (leave-one-out) de 3,21 días en 145 observaciones de área-temporada. El RMSE del modelo ajustado fue de 3,15 días, en comparación con los 7,29 días de una línea base de fecha media.

Table 5: RMSE of the leave-one-out GDD model, the fitted model and the mean-date baseline for flowering-date prediction
Tabla 5. Rendimiento de la predicción de la fecha de floración.

La ventana de floración estimada fue de aproximadamente 23 días. Su duración varió más significativamente entre temporadas que la incertidumbre de la fecha de floración máxima.

4.4 Modelado del rango de vuelo

El núcleo de primavera utilizó λ = 294 m y un rango máximo de 1.178 m. Las alternativas gaussiana y lineal se correlacionaron con el resultado exponencial en 0,9984 y 0,9965, respectivamente, y reprodujeron el 95,3% y el 93,2% de las ubicaciones con el 10% de mayor potencial.

Map of a 3 km area around hive site 12: detected rapeseed parcels in green over the reachable nectar sugar surface
Fig. 2. Sitio 12: contexto de 3 km alrededor de una colmena. Las parcelas verdes son la entrada de colza clasificada por satélite; la superficie coloreada es el resultado de la convolución del rango de vuelo.
Map of a 3 km area around hive site 2: many detected rapeseed parcels in green over the reachable nectar sugar surface
Fig. 3. Sitio 2: una segunda concentración local de colza. La superficie coloreada representa el potencial ponderado por accesibilidad, mientras que las parcelas verdes muestran la entrada de colza detectada.

5. Discusión

Los resultados demuestran que las series temporales de Sentinel-1 y Sentinel-2 proporcionan una base transferible para la detección de colza. El descenso de F1 = 0,940 en la validación espacial a 0,875 en una temporada independiente indica un cambio en el dominio temporal, aunque se conserva la mayor parte de la señal de clasificación.

El resultado de 2022 es relevante para el mapeo operativo de forraje: el flujo de trabajo reconstruyó la distribución regional de colza sin declaraciones para el año objetivo y difirió de la estimación independiente de EUCROPMAP en un 6,2%. Esto representa una concordancia entre productos derivados de la observación de la Tierra (EO), más que una precisión absoluta.

La transformación de accesibilidad convierte el producto de una ocurrencia de cultivo a un forraje potencial centrado en la colmena. Sigue siendo una simplificación, ya que el viento, el terreno, la estructura del paisaje, la fuerza de la colonia y la competencia pueden modificar el movimiento real de las abejas; por lo tanto, el resultado no debe interpretarse como trayectorias deterministas de las abejas. Además, los resultados están estrictamente relacionados con la distancia de forrajeo preestablecida. Esto, dependiendo de las condiciones locales específicas, puede estar sujeto a cambios, lo que afectaría la precisión final del modelo.

El momento de la floración añade la dimensión temporal que falta en un mapa estático de cultivos. El error de 3,21 días indica un rendimiento predictivo útil, mientras que la mayor variación en la duración de la ventana de floración muestra que predecir el período de disponibilidad sigue siendo más difícil que estimar su pico.

El producto final de azúcar de néctar no ha sido validado directamente frente a la recolección de néctar medida o la producción de miel, y el núcleo de vuelo representa el movimiento a nivel de población en lugar del movimiento específico de una colonia. Las futuras observaciones de los apicultores sobre el inicio de la floración, la intensidad del flujo de néctar y el comportamiento de la colonia podrían proporcionar un flujo de observación independiente para calibrar el forraje potencial derivado de la EO frente al uso real de los recursos.

6. Conclusiones

Este estudio demuestra un flujo de trabajo de EO para transformar la detección de colza derivada de satélite en un producto de forraje para abejas espacialmente explícito. Las observaciones combinadas de Sentinel-1 y Sentinel-2 lograron un F1 de colza de 0,940 bajo validación espacial y 0,875 en una temporada independiente. Para 2022, la estimación calibrada de 138.518 ha difirió de EUCROPMAP en un -6,2%, mientras que las distribuciones de forraje espacial resultantes se correlacionaron en r = 0,918. La fenología satelital combinada con el modelado térmico proporcionó estimaciones de la fecha de floración con un RMSE de validación cruzada de 3,21 días. La convolución ponderada por distancia transformó la ocurrencia de cultivos en una superficie de accesibilidad centrada en las abejas.

El marco proporciona una base de EO escalable para la apicultura de precisión y la evaluación histórica de forraje. La validación independiente mediante observaciones de apicultores y colonias sigue siendo el paso clave para estimar el uso de forraje real en lugar del potencial.

Agradecimientos

Los autores agradecen al programa Copernicus Sentinel por los datos de observación de la Tierra utilizados en este estudio, al Centro Común de Investigación de la Comisión Europea por los productos EUCROPMAP, y a los proveedores de datos agrícolas y meteorológicos polacos utilizados para el desarrollo y la validación del modelo.

Referencias

[1] M. Drusch, U. Del Bello, S. Carlier, O. Colin, V. Fernandez, B. Hoersch, C. Isola, P. Laberinti, A. Meygret, F. Spoto, O. Sy, F. Marchese, P. Bargellini, Sentinel-2: ESA’s Optical High-Resolution Mission for GMES Operational Services, Remote Sensing of Environment 120 (2012) 25-36.

[2] R. Torres, P. Snoeij, D. Geudtner, D. Bibby, M. Davidson, E. Attema, P. Potin, B. Rommen, N. Floury, M. Brown, I. Navas Traver, D. Duesmann, B. Rosich, N. Miranda, C. Bruno, M. L’abbate, R. Croci, A. Pietropaolo, M. Huchler, F. Rostan, GMES Sentinel-1 mission, Remote Sensing of Environment 120 (2012) 9-24.

[3] B. Ghassemi, E. Izquierdo-Verdiguier, A. Verhegghen, G. Yordanov, G. Lemoine, A. Moreno Martínez, D. De Marchi, M. van der Velde, F. Vuolo, R. d’Andrimont, European Union crop map 2022: Earth observation’s 10-meter dive into Europe’s crop tapestry, Scientific Data 11 (2024) 1048.

[4] L. Breiman, Random Forests, Machine Learning 45 (2001) 5-32.

[5] M.J. Couvillon, R. Schürch, F.L.W. Ratnieks, Waggle Dance Distances as Integrative Indicators of Seasonal Foraging Challenges, PLOS ONE 9 (2014) e93495.

Contáctenos

¿Tiene preguntas sobre Apisense? ¿Le gustaría comprar equipos, participar en investigaciones, iniciar una colaboración o unirse a nuestra red de socios?
Apoyo científico / colaboración con apicultores: +48 455 506 328
Soporte técnico: +48 690 353 387
Cooperación empresarial / asociaciones: +48 606 153 759
¡Gracias! Hemos recibido tu solicitud.
¡Vaya! Algo salió mal al enviar el formulario.