El Grupo Operativo ESjara sigue avanzando en su misión de mapear y estudiar los jarales de las comarcas piloto a través de técnicas avanzadas de teledetección. Durante los últimos meses, el equipo ha trabajado intensamente en la mejora de la cartografía de los jarales usando datos satelitales de Sentinel-2 y procesamiento LiDAR.
Este enfoque no solo nos ha permitido identificar con mayor precisión las áreas de jarales en regiones clave como Guadalajara, Burgos, Zamora y Huelva, sino que también ha abierto la puerta a entender mejor la dinámica de estos ecosistemas a lo largo del año.
Clasificación supervisada mediante Inteligencia Artificial: Un paso clave hacia la precisión
Para mejorar la cartografía de los jarales, hemos utilizado imágenes del satélite Sentinel-2, que captura información en 13 bandas espectrales, desde el visible hasta el infrarrojo cercano. Con estos datos, se ha realizado una clasificación supervisada para identificar zonas de jaral de forma más precisa.
Esta técnica nos ha permitido generar mapas detallados que diferencian áreas de vegetación densa de otras menos frondosas.
Los resultados han sido alentadores. Los análisis multitemporales, que abarcan desde abril hasta octubre, han demostrado que la combinación de resultados de los meses de mayo y agosto es la más indicados para realizar esta clasificación, ya que es cuando los jarales son más fácilmente identificables mediante sus firmas espectrales. El uso de las técnicas de inteligencia artificial mediante el algoritmo Random Forest ha sido esencial para este avance, logrando una precisión global del 92% en la identificación de jarales en zonas como Huelva y Badajoz.
El desafío de la transferibilidad espacial
Uno de los retos más grandes ha sido la transferibilidad del modelo a otras regiones, especialmente en el norte de España, como Burgos y Zamora. Las diferencias fenológicas entre los jarales del sur y el norte han complicado la aplicación directa del modelo en estas zonas. Sin embargo, al ajustar los datos de entrenamiento y utilizar composiciones satelitales de los meses de junio y septiembre, hemos logrado mejorar la precisión de la clasificación en estas áreas.
Este ajuste nos ha permitido aplicar el modelo en otras regiones, ofreciendo una herramienta valiosa para la gestión de recursos en jarales más allá de las comarcas originalmente estudiadas.
Separando especies de Jara
Uno de los objetivos ha sido desarrollar un modelo específico para diferenciar las dos especies de Jara objeto de estudio: jara pringosa (Cistus ladanifer) y jara estepa (Cistus laurifolios) que coexisten en la zona piloto de la Sierra de Guadalajara.
Para ello se ha desarrollado un algoritmo específico de clasificación Random Forests utilizando las variables con mayor poder explicativo, en este caso concreto usando un único índice de vegetación: NREDI2. La siguiente figura muestra como es en los meses de junio y julio cuando los valores del índice NNREDI 2 alcanza los valores máximos de diferenciación entre ambas especies contribuyendo a posibilitar su identificación.
Los resultados de la cartografía obtenida de jarales para la Sierra de Guadalajara se pueden visualizar en la siguiente imagen:
Biomasa en los jarales: ¿Cuánta hay y dónde?
El siguiente paso ha sido estimar la cantidad de biomasa disponible en los jarales, lo que resulta crucial para conocer su potencial uso, por ejemplo, en la producción de biocombustibles. Para ello, se ha desarrollado un modelo basado en datos LIDAR, que nos ha permitido mapear la biomasa de jaral en términos de toneladas por hectárea (Tn/ha).
De esta manera ha sido posible añadir a las cartografías contínuas de localización de jarales cartografías de disponibilidad de biomasa acumulada. Un ejemplo notable es el modelo aplicado a la comarca de Jerez de los Caballeros, donde se calculó la biomasa total de jara pringosa, publicándose el resultado posteriormente en el XX Congreso de la Asociación Española de Teledetección celebrado Cádiz el pasado mes de junio de 2024.
Siguientes pasos:
Desde el equipo de Agresta y con el apoyo de los compañeros del Ceder-Ciemat, se está trabajando intensamente para desarrollar modelos predictivos para estimar la producción de aceite esencial de jarales a lo largo del año utilizando imágenes satelitales del satélite de la Copernicus Sentinel-2.
Los resultados preliminares no muestran una correlación fuerte entre los índices espectrales y los rendimientos. En la siguiente figura se representa la comparativa de la evolución de los valores del índice espectral NDVI desde diciembre de 2022 a primeros de mayo de 2024 (en rojo) y los valores de rendimiento (en azul) en la zona piloto de “El Ordial” (Guadalajara). 
Sin embargo, el equipo continúa probando con nuevos modelos orientados a generar cartografías dinámicas de producción. En estos últimos meses de proyectos estamos centrados en nuevas fuentes de datos que puedan mejorar las predicciones y optimizar la cosecha.
