SembrarIA: Datos que Cultivan

SembrarIA - UDLA

Inteligencia geoespacial para reconvertir pastos improductivos en seguridad alimentaria en la Amazonía colombiana

El futuro alimentario de América Latina no depende únicamente de producir más tierra. Depende de la capacidad de las comunidades rurales para usar mejor la tierra que ya tienen y que en gran parte permanece subutilizada bajo ganadería extensiva.

En la Amazonía colombiana esta paradoja es visible: territorios con suelos productivos, agua abundante y clima favorable producen muy pocos alimentos. Las familias rurales dependen de comida transportada desde cientos de kilómetros, mientras la presión sobre el bosque crece cada año. La ganadería extensiva ocupa varias veces más tierra de la que biológicamente necesita, desplazando la producción alimentaria local y acelerando la deforestación.

El marco legal también está cambiando. La Ley de Ganadería Sostenible y Libre de Deforestación y la Regulación EUDR de la Unión Europea presionan a cientos de miles de productores a certificar trazabilidad ambiental pero sin información concreta sobre qué hacer con su propia tierra, el cambio no ocurre.

Donde el pasto desplazó al bosque y al alimento

SembrarIA parte de una comprensión territorial del sistema productivo amazónico. La mayor parte del suelo en estos territorios está cubierta de pastos para ganadería extensiva que, en muchos casos, tienen capacidad agrícola demostrable pero nunca han sido evaluados como tales. No porque el suelo no funcione, sino porque el productor nunca ha tenido la información necesaria para saberlo.

Esa información se puede generar. Está demostrado que a partir de los datos satelitales abiertos del programa Copernicus es posible producir análisis de aptitud del suelo, monitoreo climático y detección de cobertura con precisión suficiente para la toma de decisiones en finca. Los datos base existen y son públicos, pero transformarlos en información específica, útil y oportuna para cada territorio requiere procesamiento, modelado y validación con datos de campo. Eso es exactamente lo que SembrarIA pretende hacer.

¿Qué pasaría si un productor pudiera saber qué hectáreas de su finca pueden producir alimentos antes de arriesgar una siembra?

La plataforma procesa imágenes de Sentinel-2, Sentinel-1 SAR, datos climáticos ERA5, información de cobertura MODIS y modelos de elevación SRTM utilizando un pipeline de procesamiento automatizado en Python con librerías geoespaciales de código abierto (como GDAL, Rasterio y SciPy), con el objetivo de transformar datos satelitales abiertos de Copernicus en información geoespacial específica: identificar qué hectáreas de pasto tienen suelo con aptitud agrícola, condiciones climáticas adecuadas y pendiente cultivable para iniciar procesos de reconversión productiva.

Pero SembrarIA no es solo una plataforma de visualización. El sistema está diseñado para recolectar información de campo a través de las comunidades, alimentar sus propios modelos, implementar mejoras continuas y generar información cada vez más precisa y relevante para cada territorio. Es un sistema que aprende del territorio para devolver información útil al territorio.

Cómo transforma datos en decisiones

SembrarIA ha sido diseñada para contar con una puesta a disposición directa en campo de los resultados ejecutables, cubriendo la brecha tecnológica del agricultor mediante la generación de resultados, a partir de dos canales de entrega:  

•  El Dashboard para el Productor y el Técnico Agrícola: cuando el usuario interactúa con la interfaz, la selección de coordenadas o el límite de su finca conlleva la obtención de un mapa de aptitud ajustado con todas las zonas recomendadas para la reconversión de pastos para cultivos alimentarios. El diseño elimina la jerga técnica o la necesidad de interpretar mapas satelitales complejos; el productor recibe una respuesta visual e intuitiva sobre dónde, qué y cuándo es viable sembrar en su propia tierra.  
•  El Sistema de Alertas Comunitarias por SMS: Para romper la barrera de la falta de conectividad a internet en las zonas rurales de la Amazonía, el productor recibe alertas críticas directamente en su teléfono celular básico. El sistema detecta anomalías como el estrés hídrico o variaciones climáticas severas y las traduce en mensajes de texto sencillos y prácticos (Ej: “Su zona muestra baja humedad. Riegue en las próximas 48 horas. Lluvia prevista para el jueves”). En atención a la rentabilidad y al libre acceso, sin costos de comercialización, estas alertas se gestionan mediante pasarelas de mensajería implementadas de acuerdo a protocolos open-source sobre base institucional de desarrollo local.

SembrarIA como sistema de aprendizaje

La propia plataforma es un actor. SembrarIA recolecta información de campo a través de las comunidades para gestionar, generar e implementar modelos que mejoren con cada ciclo productivo. El sistema se autosostiene aprendiendo del territorio: cada dato de campo valida o ajusta los modelos satelitales, y cada mejora en los modelos produce información más efectiva para las comunidades.

Diseñado para las condiciones reales de la Amazonía

Uno de los mayores desafíos técnicos en territorios amazónicos es la nubosidad persistente, que bloquea la visión óptica gran parte del año. Por eso Sentinel-1 SAR es el núcleo de continuidad de SembrarIA: utiliza radar capaz de penetrar nubes y monitorear humedad del suelo incluso durante la temporada lluviosa, exactamente cuando el productor necesita tomar decisiones de siembra y riego.

Cuando Sentinel-2 puede ver, entrega clasificación de cobertura y análisis de salud vegetal. Cuando no puede, Sentinel-1 mantiene el monitoreo activo. El productor siempre tiene información, sin importar la época del año.

Modelo de sostenibilidad

SembrarIA opera con un modelo freemium diferenciado por actor. El valor no está en los datos que son públicos sino en el procesamiento, la interpretación y la verificación de impacto que la plataforma genera a partir de ellos.

Escalabilidad

Los datos de Copernicus cubren todo el planeta con la misma calidad y periodicidad. SembrarIA puede funcionar en cualquier territorio de América Latina, especialmente donde la ganadería extensiva desplazó la producción de alimentos: el arco amazónico de cinco países, el corredor ganadero centroamericano, el Chaco y el Caribe rural. Se cambian las coordenadas, no el código.

Desde el inicio de la competencia el pasado 21 de mayo, nuestro equipo ha concentrado sus esfuerzos en el diseño exclusivo de los siguientes componentes desde cero:

1. Diseño de Arquitectura Open Source: Estructuración del pipeline de descarga y procesamiento local de imágenes Sentinel-1 y 2 usando scripts de Python sin depender de plataformas propietarias.
2. Mockups y UX del Dashboard: Diseño conceptual de la interfaz gráfica interactiva del usuario para la visualización de los mapas de aptitud agrícola y el módulo de configuración de alertas comunitarias.
3. Modelado de Datos de Campo: Diseño del protocolo lógico de recolección de datos in-situ para la validación de alertas de estrés hídrico.

 En caso de ser seleccionados para el contrato de implementación con el Banco Interamericano de Desarrollo (BID), los fondos se destinarán estratégicamente de la siguiente manera:

• Fase 1 (Meses 1-3): Despliegue de la infraestructura de servidor local y desarrollo del software base Open Source para el procesamiento automatizado.
• Fase 2 (Meses 4-6): Pruebas piloto de validación en campo en Florencia, Caquetá, trabajando directamente con asociaciones de pequeños productores para calibrar los algoritmos de Sentinel-1.
• Fase 3 (Meses 7-12): Lanzamiento del módulo de reportes gubernamentales de cumplimiento EUDR y expansión del sistema de alertas SMS gratuito a nivel regional.

1. Datos Copernicus Utilizados

SembrarIA combina siete fuentes de datos abiertos y entornos integrados del ecosistema Copernicus para construir un diagnóstico territorial automatizado sin costos de licenciamiento de software:

1. Sentinel-1 SAR (Radar): Datos con una resolución de 10 m, polarizaciones VV + VH y revisitas cada 6–12 días. Al operar con radar de apertura sintética en banda C, penetra la nubosidad persistente de Caquetá (70–90% en temporada húmeda). Sirve como el núcleo de continuidad temporal del sistema; cuando las nubes bloquean el sensor óptico, Sentinel-1 mantiene activo el monitoreo de humedad del suelo.
2. Sentinel-2 MSI (Óptico multibanda): Imágenes multiespectrales de 10 a 60 m con 13 bandas espectrales, incluyendo bandas Red Edge exclusivas (B5, B6, B7 a 20 m). Sirve para el cálculo de índices de salud vegetal y es la base de la clasificación de coberturas cuando el cielo está despejado.
3. ERA5 Land (Clima): Datos diarios de reanálisis climático global con resolución de 9 km desarrollados por el ECMWF. Provee registros históricos de temperatura del aire y precipitación acumulada anual que sirven para verificar que cada finca cumpla estrictamente con los requerimientos agroclimáticos de los cultivos.
4. SoilGrids 2.0 (Suelos): Sistema de información global que provee mapas de propiedades fisicoquímicas del suelo a 250 m de resolución. Aporta datos de pH, carbono orgánico (SOC), textura (arcilla, arena, limo), capacidad de intercambio catiónico (CEC) y densidad aparente a múltiples profundidades (0–30 cm), sirviendo para evaluar la viabilidad del suelo frente a la acidez amazónica.
5. ESA WorldCover 2021 (Cobertura del suelo): Mapa global con resolución de 10 m derivado de la combinación de Sentinel-1 y Sentinel-2. Sirve como capa guía inicial del pipeline para segmentar espacialmente las áreas cubiertas por pastos y separarlas de los bosques nativos que deben ser objeto de conservación estricta.
6. SRTM DEM (Elevación): Modelo digital de elevación de 30 m de resolución espacial. Se utiliza dentro del pipeline como filtro topográfico para calcular pendientes del terreno (descartando zonas no aptas para mecanización o con alta susceptibilidad a erosión) y validar los rangos altitudinales idóneos de siembra.
7. CDSE (Plataforma de procesamiento): El Copernicus Data Space Ecosystem (dataspace.copernicus.eu), que provee el entorno cloud virtual JupyterLab. Sirve como la infraestructura base donde se ejecuta el código del pipeline de procesamiento en Python, eliminando la necesidad de adquirir servidores físicos locales costosos durante el desarrollo.

2. Metodología

El pipeline analítico de SembrarIA integra un total de 27 variables ambientales para mapear la idoneidad agrícola mediante flujos avanzados de Machine Learning:

Clasificación y Filtro de las 27 Variables del Modelo

El modelo procesa variables derivadas de sensores satelitales, propiedades edáficas de suelos, topografía y clima:

• Variables SAR - Sentinel-1 (5 variables): VH_mean y VV_mean (retrodispersión base para estructura vegetal); DpRVI (Índice de Vegetación Radar de polarización dual, clave para medir biomasa en cacao y caucho); SAR_ratio_dry (ratio VH/VV en temporada seca para discriminar cultivos perennes); y SAR_delta (diferencia de VH entre temporadas seca y húmeda para monitorear encharcamientos e inundaciones).
• Variables Ópticas - Sentinel-2 (8 variables): NDVI_mean (vegetación promedio); NDVI_amplitude (variación estacional p95–p05, que diferencia cultivos anuales de perennes); NDVI_CV (coeficiente de variación para aislar doseles estables); LINTG (integral de la curva anual NDVI para describir ciclos fenológicos); GCVI (índice de clorofila verde sensible a doseles cerrados); RE-NDVI (NDVI de borde rojo usando la banda B7 para discriminar transitorios de perennes); NBR2 (monitoreo de suelo desnudo húmedo); y MNDWI (humedad de suelo bajo el dosel arbóreo).
• Variables de Suelo - SoilGrids (6 variables): pH en capa superficial, Carbono Orgánico del Suelo (SOC), Capacidad de Intercambio Catiónico (CEC), Densidad Aparente, y porcentajes de textura (Arcilla, Arena y Limo).
• Variables Climáticas y Topográficas (5 variables): Temperatura media anual y Precipitación acumulada anual extraídas de ERA5 Land; Elevación y Pendiente del terreno derivadas de SRTM; junto a la clase base de cobertura de ESA WorldCover.

Variables Excluidas y Justificación Científica

Para evitar redundancias de datos y sobreajuste en los modelos, se descartaron científicamente 5 variables:

1. BSI (Bare Soil Index): Excluido y reemplazado por NBR2, el cual presenta un desempeño superior al aislar suelos desnudos bajo las condiciones altamente húmedas del trópico amazónico.
2. Tiles auxiliares T18NXG y T18MUC: Descartados del procesamiento automatizado debido a que su área de intersección geográfica con la frontera agrícola real de Caquetá es inferior al 50%.
3. Nitrógeno total del suelo: Excluido por presentar una correlación de Pearson superior a 0.85 con el Carbono Orgánico (SOC), lo que introducía multicolinealidad severa en los modelos sin aportar información predictiva nueva.
4. Aspecto (Orientación del relieve): Excluido dado que en las latitudes ecuatoriales del Caquetá (1°–2° N), la exposición solar de las laderas no genera variaciones microclimáticas significativas.
5. Escenas con nubosidad óptica superior al 60%: Eliminadas automáticamente mediante máscaras previas para optimizar el almacenamiento físico de datos.

Arquitectura de Modelamiento Supervisado

SembrarIA implementa una estrategia de ensamble jerárquico que clasifica el territorio en 9 categorías fundamentales (Bosque maduro, Bosque secundario, Pasto sin aptitud, Pasto con aptitud agrícola, Cacao, Caucho, Café, Plátano, Yuca/Maíz). La priorización final del mapa síntesis sigue el orden socioeconómico establecido por el Plan Departamental de Extensión Agropecuaria (PDEA Caquetá): Café > Cacao > Caucho > Plátano > Yuca > Maíz.

• Modelo 1 - Random Forest (Algoritmo Principal): Consiste en un ensamble de 300 árboles de decisión entrenados en paralelo mediante subconjuntos aleatorios de variables. Es altamente robusto frente a variables edáficas correlacionadas, tolera valores atípicos de campo y calcula automáticamente el ranking de importancia de las variables. Su uso está respaldado por literatura internacional para el aislamiento preciso de cultivos perennes en sistemas agroforestales tropicales combinando óptico y radar.
• Modelo 2 - Gradient Boosting (Algoritmo de Validación): Ensamble secuencial de 100 estimadores donde cada árbol corrige los errores residuales del anterior. Se emplea como control de calidad para auditar al modelo principal y optimizar la detección en zonas complejas donde los datos de entrenamiento para clases minoritarias, como parcelas pequeñas de café, son escasos.

La precisión total de los mapas se evalúa matemáticamente empleando el protocolo internacional de área ajustada por error de clasificación de Olofsson, garantizando un estándar científico riguroso ante comités internacionales.

3. Modelo de Negocio

SembrarIA implementa un ecosistema de valor freemium estructurado para garantizar que el pequeño productor acceda a la tecnología sin costo, mientras se captura valor comercial a través de actores institucionales y de mercado:

Valor por Actor Involucrado

• Productor Rural (Usuario Final Core): Es el centro de la solución. Recibe mapas de aptitud agrícola detallados a nivel de finca y alertas climáticas/estrés hídrico automatizadas en texto simple mediante SMS, disminuyendo el riesgo financiero antes de iniciar una siembra de reconversión. Costo: Completamente Gratuito.
• Entidades Gubernamentales (Gobernación, Alcaldías, Ministerios): Acceden a dashboards consolidados de monitoreo municipal para verificar de forma estadística el impacto de sus programas de desarrollo rural y emitir certificaciones de predios libres de deforestación bajo la regulación EUDR europea.
• Asociaciones de Productores y Cooperativas (Ej: ASOPEAF): Obtienen herramientas de planificación territorial agregada para consolidar núcleos productivos zonales y negociar contratos de compra de alimentos a gran escala con mejores márgenes de ganancia.
• Banca y Entidades de Crédito Rural (Finagro, Bancos): Consumen informes técnicos automatizados basados en la aptitud geoespacial real del suelo de los solicitantes, reduciendo los índices de cartera morosa mediante la evaluación objetiva del riesgo agropecuario.
• Compradores y Exportadores Internacionales: Obtienen reportes auditables de origen satelital que trazan los cultivos desde la finca, asegurando el cumplimiento de mercados premium de café specialty o cacao fino y de aroma.

Tabla de Monetización y Estructura de Planes

4. Viabilidad Financiera

La proyección financiera de SembrarIA se construyó bajo un enfoque altamente eficiente y de bajo costo marginal, aprovechando que los datos primarios de Copernicus no tienen costo de adquisición.

Proyección de Ingresos Base (Año 2)

El modelo asume una penetración de mercado inicial conservadora en la región andino-amazónica:

• 3 Licencias Institucionales activas a alcaldías/entidades locales (USD 1,500/mes promedio): USD 54,000 / año.
• 8 Planes de Asociación suscritos con cooperativas locales (USD 350/mes promedio): USD 33,600 / año.
• 2 APIs Empresariales integradas con firmas compradoras o entidades de crédito (USD 800/mes): USD 19,200 / año.
• Fondos complementarios por consultorías específicas con proyectos de cooperación: USD 20,000 / año.
• TOTAL INGRESOS PROYECTADOS: USD 126,800 / año

Punto de Equilibrio y Margen

• Margen Operativo: Alcanza aproximadamente el 73% a partir del segundo año. Este porcentaje se debe a que el costo de agregar un nuevo territorio o predio al sistema tiende a cero, requiriendo únicamente redefinir las coordenadas geográficas de consulta en el script automatizado.
• Punto de Equilibrio Financiero: Se sitúa contractualmente en el Mes 18 de operación. Con solo mantener activas 2 licencias institucionales fijas (ingreso mensual de USD 3,000), la plataforma cubre la totalidad de sus costos fijos recurrentes de USD 2,900 mensuales.

5. Validación de Mercado

SembrarIA no es un modelo teórico de escritorio; su viabilidad operativa ha sido evaluada mediante pruebas técnicas y de usabilidad social directamente sobre el territorio de Caquetá:

Co-diseño y Validación con ASOPEAF

La Asociación de Pequeños Agricultores Familiares del Caquetá (ASOPEAF) actuó como contraparte social directa para la validación de campo, arrojando resultados contundentes sobre la necesidad del sistema:

• Muestra de campo: Se realizaron consultas presenciales estructuradas con más de 12 productores líderes de la región.
• Cobertura geográfica: Las encuestas y mapeos de prueba cubrieron parcelas piloto distribuidas en 3 veredas críticas del departamento.
• Aceptación social: El 100% de los agricultores consultados manifestó un interés inmediato en suscribirse al sistema de alertas de estrés hídrico por SMS.
• Brecha del mercado identificada: Los productores validaron que la asistencia técnica tradicional entrega datos globales a nivel municipal, dejando un vacío crítico de información detallada predio a predio para guiar inversiones financieras de reconversión productiva.

Diagnóstico Técnico y Calibración del Pipeline (Tile T18NUG)

Para blindar el software antes de su automatización en producción, se ejecutó una auditoría técnica profunda sobre el procesamiento de imágenes de Sentinel-2 dentro del entorno de desarrollo virtual JupyterLab del CDSE, utilizando como ventana geográfica el tile principal del Caquetá: T18NUG (centro de Florencia y el piedemonte, coordenadas 1.3128°N, -76.3041°W).

La revisión detectó e implementó soluciones a 4 fallas críticas que bloqueaban la viabilidad en el mundo real:

1. Concentración temporal (Falla de muestreo): El código original recuperaba 20 escenas consecutivas por ordenamiento de fecha, provocando que los datos se concentraran en solo dos días de enero de 2024, anulando el análisis fenológico anual. Solución: Se sustituyó por un muestreo mensual estratificado distribuyendo de 1 a 2 escenas por mes.
2. Saturación por nubes (Falla de filtrado): Al no contar con filtros automáticos de porcentaje de nubes en zona tropical húmeda, las descargas contenían entre un 70% y 90% de obstrucción. Solución: Se programó un filtro estricto $filter: cloudCover/percentage le 30 para asegurar datos completamente limpios.
3. Desbordamiento de almacenamiento (Falla de capacidad): El script original intentaba descargar un bloque histórico de 2,096 escenas masivas. Al pesar cada archivo cerca de 800 MB, el volumen total requería 1.6 TB de espacio, haciendo colapsar el disco persistente asignado de 98 GB. Solución: Mediante el filtro estricto de nubosidad y la selección mensual inteligente, la descarga anual se limitó a un máximo de 24 escenas selectas, reduciendo el peso en disco a solo 15 GB.
4. Desperdicio de ancho de banda (Falla de precisión espacial): Se estaban procesando los tiles perimetrales T18NXG y T18MUC. La auditoría demostró que T18NXG solo aportaba 34 MB de cobertura real sobre el área de interés y T18MUC cubría el extremo sur, zona sin vocación agrícola prioritario. Solución: Se descartaron ambos bloques geográficos y se ratificó al tile T18NUG como el núcleo analítico de la plataforma.

Con estas correcciones, se verificó la estabilidad total del flujo de autenticación OAuth2 y la cadena de descompresión automatizada de imágenes .zip → .SAFE → .jp2.

Quiénes estamos detrás de SembrarIA

Somos un equipo de la Universidad de la Amazonia, en Florencia, Caquetá. Conocemos este territorio porque aquí vivimos, aquí estudiamos y aquí entendemos que la información geoespacial puede cambiarle la vida a quienes trabajan la tierra.

SembrarIA no es un proyecto que llegó desde fuera. Nace de ver de cerca cómo el pasto para ganadería extensiva sigue avanzando sobre bosques que sostienen ríos voladores, regulación climática y oxígeno para el planeta entero. También vemos cómo las comunidades rurales dependen de cadenas de abastecimiento externas, lo que las hace más vulnerables cada vez que algo falla en el camino. Creemos que la transición hacia una ganadería sostenible, combinada con la reconversión productiva de áreas que realmente tienen aptitud agrícola, solo puede empezar cuando el productor cuenta con información precisa sobre el potencial de cada hectárea.

El equipo

Brayan Valencia – Fullstack Developer / Tech Lead Es el encargado de liderar la arquitectura, integración y deploy completo de la plataforma SembrarIA. Su rol es crítico para diseñar el flujo de datos que conecta los procesos del servidor con la interfaz de usuario, garantizando que el sistema sea escalable, rápido y capaz de manejar solicitudes masivas de datos espaciales de forma eficiente bajo entornos estrictamente de código abierto.

Yulian Martinez – Frontend Developer Se encarga del diseño de la interfaz de usuario, la visualización interactiva de mapas y la experiencia de usuario (UX) general del dashboard. Su enfoque principal es traducir análisis geoespaciales complejos y técnicos en respuestas visuales sencillas, mapas intuitivos y flujos de alertas SMS comprensibles para productores rurales y técnicos agrícolas sin experiencia tecnológica.

Michael Orjuela – Especialista en Teledetección Es el responsable de la lógica del procesamiento satelital, la generación de índices espectrales y el desarrollo de la clasificación supervisada de coberturas de suelo. Su experiencia técnica asegura la correcta manipulación de las bandas ópticas de Sentinel-2 y el cálculo preciso de variables biofísicas esenciales para determinar la aptitud agrícola regional.

Berkman Chica – Especialista en Teledetección Su función se centra en el diseño del monitoreo automatizado y el establecimiento técnico de los umbrales de alerta temprana. Es el encargado de procesar la señal de radar de Sentinel-1 SAR para penetrar la nubosidad amazónica y derivar los datos de humedad del suelo, asegurando que las alertas de estrés hídrico lleguen a tiempo al productor.

Leandro Silva – Technical Writer Está a cargo de la documentación técnica del proyecto, el desarrollo de las presentaciones ejecutivas y la producción del video de impacto (demo) de la segunda fase. Su rol es fundamental para hilvanar la narrativa comercial y operativa del negocio, comunicando de forma clara el impacto socioeconómico del proyecto ante los jurados evaluadores.

Jader Sambony – Technical Writer Se encarga de la redacción de especificaciones técnicas, la creación del material gráfico de soporte y los procesos de validación visual del sistema. Aporta solidez metodológica al documentar los ciclos de aprendizaje del sistema, asegurando que las guías de implementación con las comunidades y los reportes para entes gubernamentales cumplan con los estándares de rigor exigidos.

Referencias y Fuentes

Literatura Científica de Soporte (con DOI Verificado)

• Ismaili, M., et al. (2024). Mapping soil suitability using phenological information derived from MODIS time series data in a semi-arid region: A case study of Khouribga, Morocco. Heliyon, 10(2), e24101. https://doi.org/10.1016/j.heliyon.2024.e24101 — Fundamento científico del enfoque fenológico de SembrarIA usando la integral NDVI y la amplitud estacional.
• Gómez, C., White, J. C., & Wulder, M. A. (2016). Optical remotely sensed time series data for land cover classification: A review. ISPRS Journal of Photogrammetry and Remote Sensing, 116, 55-72. https://doi.org/10.1016/j.isprsjprs.2016.03.008 — Validación matemática del uso del coeficiente de variación de NDVI para aislar vegetación perenne estable.
• Mandal, D., et al. (2020). Dual polarimetric radar vegetation index for crop growth monitoring using Sentinel-1 SAR data. Remote Sensing of Environment, 247, 111954. https://doi.org/10.1016/j.rse.2020.111954 — Sustento del índice dual DpRVI para el cálculo de biomasa y humedad vegetal bajo nubes.
• Veloso, A., et al. (2017). Understanding the temporal behavior of crops using Sentinel-1 and Sentinel-2-like data for agricultural applications. Remote Sensing of Environment, 199, 415-426. https://doi.org/10.1016/j.rse.2017.07.015 — Uso de ratios SAR en temporada seca para discriminar coberturas estables de transitorias.
• Gitelson, A. A., Gritz, Y., & Merzlyak, M. N. (2003). Relationships between leaf chlorophyll content and spectral reflectance. Journal of Plant Physiology, 160(3), 271-282. https://doi.org/10.1078/0176-1617-00887 — Algoritmo del índice GCVI para evaluar saturación de clorofila en doseles cerrados.
• Delegido, J., et al. (2011). Evaluation of Sentinel-2 red-edge bands for empirical estimation of green LAI and chlorophyll content. Sensors, 11(7), 7063-7081. https://doi.org/10.3390/s110707063 — Uso de bandas Red Edge de Sentinel-2 (B7) para discriminar cultivos agroforestales.
• Poggio, L., et al. (2021). SoilGrids 2.0: producing soil information for the globe with quantified spatial uncertainty. SOIL, 7(1), 217-240. https://doi.org/10.5194/soil-7-217-2021 — Protocolo de acceso y factores de escala para propiedades edáficas via WCS.
• Olofsson, P., et al. (2014). Good practices for estimating area and assessing accuracy of land change. Remote Sensing of Environment, 148, 42-57. https://doi.org/10.1016/j.rse.2014.02.015 — Algoritmo de validación del mapa de aptitud ajustado por matrices de confusión.
• Abu, I. N., et al. (2021). Detecting cocoa plantations in Côte d'Ivoire and Ghana and their implications on protected areas. Science of the Total Environment, 785, 147309. https://doi.org/10.1016/j.scitotenv.2021.147309 — Metodología de stacks multitemporales y Random Forest para aislar parcelas de cacao frente a bosques secundarios.
• Läderach, P., et al. (2013). Predicting the future climatic suitability for cocoa farming. Climatic Change, 119(3), 841-854. https://doi.org/10.1007/s10584-013-0774-8 — Respuestas estomáticas agroclimáticas y uso de LST como proxy térmico en fincas.
• Kovács, D. D., et al. (2026). Copernicus Data Space Ecosystem establishes public cloud processing for earth observation data. Scientific Data. https://doi.org/10.1038/s41597-026-06765-8 — Referencia técnica institucional de la infraestructura del ecosistema de procesamiento virtual de Copernicus (CDSE).
• Silva-Olaya, A. M., Torres-Quezada, E. A., & Chavez, L. F. (2021). Soil carbon in degraded and non-degraded Andosols under grassland and crops in the Colombian Amazon foothills. Agronomy, 11(8), 1609. https://doi.org/10.3390/agronomy11081609 — Evidencia científica de la degradación y capacidad de recuperación de los suelos del piedemonte de Caquetá.

Fuentes de Datos Crudos

• ESA: Sentinel-2 User Handbook (sentinel.esa.int).
• ESA WorldCover Project Team: Capa global v200 de uso del suelo a 10 m (DOI: 10.5281/zenodo.7254221).
• ECMWF: Registros ERA5 Land descargados de la plataforma oficial Copernicus Climate Data Store (CDS).
• ISRIC: Repositorio WCS global de SoilGrids 2.0 (maps.isric.org).
• NASA/USGS: Modelo Digital de Elevación SRTM de 30 m de resolución.

Documentación e Información Técnica Sectorial

• Fedecacao (2022): Manual técnico del cultivo de cacao en Colombia. Umbrales limitantes: pH 5.0–7.0, precipitación menor a 4500 mm, densidad aparente menor a 1.35 g/cm³.
• Ministerio de Agricultura y Desarrollo Rural - MADR (2019): Agenda de innovación para la cadena de plátano en Colombia. Resistencia al encharcamiento máxima de 72 horas para evitar pudrición radicular (SAR_delta < 1.0 dB).
• MADR (2018): Agenda de Investigación del caucho natural en Colombia (Procaucho). Parámetros óptimos históricos de siembra en Caquetá.
• FNC - Cenicafé (2023): Variedades de café en Colombia (Castillo y Cenicafé 1). Parámetros altitudinales óptimos de adaptación al calor en la Amazonía (600–1200 m).
• IGAC (2015): Suelos y tierras de Colombia: Tomo Caquetá. Clasificación fisiográfica de terrazas aluviales, lomeríos disectados y piedemonte.
• Gobernación de Caquetá (2020-2023): Plan Departamental de Extensión Agropecuaria (PDEA). Priorización de cadenas productivas y orden de ponderación del mapa síntesis.