Una mañana de agosto pasado, varios economistas, ingenieros, representantes de Silicon Valley, donantes y responsables de políticas públicas se reunieron en el campus de UC Berkeley para debatir temas de vanguardia sobre la medición de los resultados del desarrollo. La idea detrás del evento no era que los economistas pidieran a expertos que crearan las herramientas de medición que necesitan, sino que los científicos especializados en medición contaran a los economistas qué estaba ocurriendo en la frontera de la medición de resultados relacionados con el desarrollo. En lugar de esperar los resultados de los proyectos piloto, decidimos escribir sobre algunas de estas ideas y recabar aportes de los lectores de Development Impact. En esta serie, empezamos con los avances recientes en la medición desde el espacio de los rendimientos de los cultivos agrícolas mediante teledetección.
¿Por qué la teledetección por satélite?
La posibilidad de utilizar satélites para medir resultados de desarrollo de interés común entusiasma a investigadores y profesionales por varias razones. La principal es el tiempo y el dinero que normalmente debemos invertir para medir estos resultados de la manera «tradicional» (por ejemplo, realizando encuestas a hogares o empresas). En lugar de redactar grandes solicitudes de subvención, pasar días viajando a lugares de campo remotos, contratar y capacitar a encuestadores y lidiar con los inevitables contratiempos de las encuestas, ¿y si pudieras quedarte en casa en pijama y, con unos pocos clics del ratón, descargar los datos necesarios para estudiar los efectos de un programa o una intervención determinados?
La visión de este enfoque de investigación basado en la «teledetección» resulta claramente fascinante, y se ve impulsada por la enorme cantidad de imágenes satelitales de alta resolución que ahora se adquieren y se ponen a disposición. El reciente auge de la tecnología de satélites «nano» o «micro» —en esencia, flotas de satélites pequeños y baratos que toman imágenes de la Tierra con alta resolución temporal y espacial (por ejemplo, nuestro socio Skybox)— podría ser muy prometedor para medir los tipos de resultados que suelen interesar a quienes trabajan en desarrollo. Esto es quizá más evidente en la agricultura, donde, a diferencia del sector manufacturero, la mayor parte de la producción tiene lugar al aire libre.
¿Cómo funciona?
En la mayoría de los cultivos agrícolas —en particular, los cultivos básicos de los pequeños agricultores africanos, como el maíz—, casi cualquiera puede mirar un campo y distinguir a grandes rasgos entre un cultivo sano y muy productivo y otro de bajo rendimiento, sometido a estrés por falta de nutrientes o humedad. Una de las principales pistas es el color: la vegetación sana refleja y absorbe distintas longitudes de onda de la luz que la vegetación menos sana. Por eso, las hojas de las plantas de maíz sanas son de un verde intenso, mientras que las de las plantas estresadas o muertas se ven marrones. Los sensores de los satélites también pueden distinguir estas diferencias en las longitudes de onda visibles, pero además miden diferencias en otras longitudes de onda, lo que resulta especialmente útil para la agricultura. La vegetación sana, resulta, absorbe la luz del espectro visible y refleja intensamente la del infrarrojo cercano (que el ojo humano no puede ver). Las proporciones simples de reflectancia en estas dos longitudes de onda constituyen la base de la mayoría de las mediciones satelitales del vigor de la vegetación, como el Índice de Vegetación de Diferencia Normalizada, o NDVI, que probablemente muchos conocen. En términos generales, los valores altos indican que se observan plantas con muchas hojas grandes y sanas.
El reto consiste en traducir estos índices de vegetación obtenidos por satélite en mediciones de los rendimientos de los cultivos. Hay dos enfoques básicos (véase este interesante artículo de revisión de David Lobell para más detalles). El primero combina los índices satelitales de vegetación con observaciones de los rendimientos en las explotaciones, recopiladas mediante las encuestas habituales a hogares o agrícolas. Al hacer una regresión de la medida «real» del rendimiento obtenida mediante encuestas sobre el índice satelital de vegetación, se estima una relación entre ambas que luego puede aplicarse a otras parcelas agrícolas que aparecen en los datos satelitales, pero que no se encuestaron sobre el terreno. El segundo enfoque combina los datos satelitales con estimaciones preexistentes de la relación entre el rendimiento final y el vigor de la vegetación en distintas condiciones de cultivo (a menudo derivadas de un modelo de simulación de cultivos, que puede entenderse como la versión agronómica de un modelo estructural). Las mediciones de reflectancia satelital aplicadas a estas relaciones permiten estimar el rendimiento de una parcela determinada. Una ventaja de este segundo enfoque es que, a menudo, permite tener en cuenta fácilmente el papel de otros factores variables en el tiempo (por ejemplo, el clima) que también afectan la relación entre la vegetación y el rendimiento final.
¿Qué tan bien funciona?
Estos enfoques se han aplicado principalmente a parcelas agrícolas grandes tanto en países desarrollados como en desarrollo, en parte porque, hasta hace muy poco, las imágenes satelitales disponibles solían tener una resolución demasiado baja para distinguir las parcelas muy pequeñas (por ejemplo, de menos de media acre) habituales en gran parte de África. Por ejemplo, la resolución del sensor MODIS es de 250 m x 250 m, lo que significa que un píxel cubriría más de 15 parcelas de una acre. Aun así, se ha demostrado que estos enfoques funcionan sorprendentemente bien en campos más grandes. A continuación se muestra un gráfico del trabajo de David Lobell y sus coautores, que presenta la relación entre los rendimientos previstos y los observados del trigo en el norte de México, donde el tamaño promedio de las parcelas supera las 20 hectáreas, equivalentes a unas 50 parcelas de una acre.
Gráfico: rendimientos del trigo en el norte de México, de Lobell et al., 2005.
Aunque en este caso el éxito depende en cierta medida de quién lo juzgue, el ajuste entre los rendimientos observados y los previstos por satélite es bastante bueno en ambos casos: los valores generales de R2 son 0,63 en el caso de Estados Unidos y 0,78 en el de México. Además, al menos en ambos casos, los datos de rendimiento que constituían la «verdad sobre el terreno» no se utilizaron realmente para elaborar la predicción; es decir, se empleó el segundo enfoque descrito más arriba. Esto fue posible en este contexto porque se trataba de cultivos y condiciones de cultivo sobre los que los científicos comprenden bien los mecanismos que relacionan el rendimiento final con el vigor de la vegetación.
De los ricos a los pobres, de lo grande a lo pequeño
Ha sido más difícil aplicar estos enfoques en los lugares que más interesan a los lectores de Development Impact (por ejemplo, las parcelas de pequeños agricultores en África). Esto se debe no solo al tamaño mucho menor de las parcelas y, por tanto, a la dificultad —a menudo, imposibilidad— de distinguirlas en las imágenes satelitales existentes, sino también a la falta de (i) datos de referencia sobre el terreno para elaborar predicciones basadas en satélites o (ii) una comprensión mecanística satisfactoria de cómo relacionar los rendimientos con las mediciones de reflectancia en estos entornos.
Las nuevas fuentes de datos, tanto terrestres como espaciales, empiezan a hacerlo posible. Los sensores de los nuevos microsatélites mencionados suelen tener una resolución inferior a un metro, lo que permite ver desde el espacio las parcelas de los pequeños agricultores (más de 2.000 píxeles cubrirían una parcela de media acre). Además, estas imágenes se obtienen con suficiente frecuencia como para garantizar al menos algunas imágenes sin nubes durante la temporada de cultivo, algo nada sencillo en los trópicos lluviosos.
En colaboración con colegas de Kenia, Uganda y Ruanda, estamos vinculando estas nuevas imágenes con los datos de rendimiento que recopilamos sobre el terreno para determinar si los datos satelitales pueden predecir eficazmente los rendimientos en parcelas heterogéneas de pequeños agricultores. A continuación se muestra un mapa de algunos campos de maíz de pequeños agricultores que hemos cartografiado y estamos siguiendo en el oeste de Kenia, como parte de un experimento en curso con pequeños agricultores de la región.
Algunos de los objetivos a largo plazo de este trabajo son (i) permitir que los investigadores que ya disponen de información sobre los límites de las parcelas y los cultivos elegidos usen imágenes satelitales para estimar los rendimientos y (ii) ofrecer a los investigadores que no conocen los límites de las parcelas, pero se interesan por el desempeño agrícola a mayor escala (por ejemplo, a nivel de aldea o distrito), una forma de seguir los rendimientos a esa escala. Este trabajo continúa, pero, a la luz de la experiencia en países desarrollados, tenemos esperanzas.
Algunos desafíos
Aun así, existen desafíos claros para aplicar este enfoque a gran escala y limitaciones evidentes —al menos a corto plazo— en lo que esta tecnología puede ofrecer. Estos son algunos de los principales desafíos:
Qué límites y qué cultivos. Para medir resultados en parcelas agrícolas individuales, las mediciones satelitales serán más fáciles de utilizar si el investigador ya conoce los límites de las parcelas y sabe qué cultivo se está sembrando. A medida que mejoren las imágenes satelitales y se desarrollen algoritmos de visión artificial para identificar a distancia los límites de las parcelas, probablemente se relajarán ambas restricciones. Sin embargo, el investigador seguirá necesitando información obtenida sobre el terreno acerca de quién posee cada parcela.
Error de medición. Aunque se conozcan los límites de las parcelas, las imágenes satelitales no podrán predecir perfectamente los rendimientos. Por eso, usar rendimientos previstos por satélite como resultado probablemente reducirá la potencia estadística (aunque no está claro de inmediato cuánto más ruidosas serán las estimaciones satelitales, ya que las mediciones de estos resultados basadas en encuestas —por ejemplo, las declaraciones de los propios agricultores— probablemente también contienen errores). Casi con toda seguridad, esto significa que esta tecnología no permitirá detectar efectos pequeños en los ensayos controlados aleatorizados agrícolas de menor tamaño que suelen realizarse.
Más allá del rendimiento. Por último, aunque se conozcan los límites de las parcelas y el estudio tenga suficiente potencia estadística, a los satélites les costará medir muchos de los otros resultados que nos interesan, como las ganancias o el gasto en consumo. A corto plazo, quizá puedan medir resultados relacionados, como los activos (algo en lo que también trabajamos), pero sin duda será difícil observar directamente la mayoría de los gastos de los hogares.
Ante estas dificultades, ¿deberíamos abandonar todo este asunto de los satélites? Creemos que no, por dos razones. La primera es que, a medida que mejoremos —esperamos— nuestra capacidad para medir con precisión desde el espacio los rendimientos de los pequeños agricultores, esta capacidad complementará claramente las encuestas existentes. Por ejemplo, si los rendimientos son un resultado principal, imaginemos que bastara con realizar una encuesta de referencia (en la que se cartografían los límites de los campos) y luego medir el resultado en el seguimiento desde el cielo. Así, todo el estudio sería más rápido y barato, lo que permitiría usar muestras más grandes y ayudaría, a su vez, a resolver el problema del error de medición mencionado antes.
En segundo lugar, todavía entendemos sorprendentemente poco por qué algunas explotaciones y algunos agricultores parecen ser mucho más productivos que otros. ¿Se debe la mayor parte de la variación observada a factores relativamente constantes en el tiempo, como el tipo de suelo y la capacidad del agricultor, o son más importantes factores variables en el tiempo, como el clima? Los datos satelitales podrían ser especialmente útiles para responder esta pregunta (el artículo de Lobell vuelve a ofrecer buenos ejemplos), porque se pueden reunir muestras enormes de parcelas agrícolas y hacer un seguimiento sencillo a lo largo del tiempo. En este contexto, los datos satelitales podrían, por tanto, aportar más potencia, y todo ello se puede hacer en pijama.
Así pues, seguimos confiando en que este enfoque dará frutos, pero nos encantaría conocer la opinión de los lectores de DI sobre cómo podrían ser más útiles esta tecnología y otras relacionadas para medir el impacto del desarrollo.
Este artículo se publicó originalmente en The World Bank Development Impact Blog. La publicación no implica que el Foro Económico Mundial respalde las opiniones expresadas.
Para estar al día con Forum:Agenda, suscríbete a nuestro boletín semanal.
Autoría: Florence Kondylis es economista sénior de DIME, Banco Mundial
Imagen: imagen satelital de la Tierra. REUTERS.
