Resumen en español

La estimación de la productividad agrícola mediante imágenes satelitales constituye una herramienta clave para la agricultura de precisión, pues permite anticipar rendimientos y apoyar la toma de decisiones en territorios con alta variabilidad agroecológica. En el caso del cultivo de papa, este proceso presenta retos adicionales debido a su heterogeneidad intrapredial y a la frecuente nubosidad que afecta a los sensores ópticos. Ante este escenario, el presente trabajo se planteó como objetivo desarrollar una metodología para estimar la productividad de papa en el municipio de Ventaquemada (Boyacá, Colombia) a partir de la integración de sensores remotos y datos de campo. Para ello se utilizaron imágenes ópticas de Sentinel-2 y PlanetScope, complementadas con información radar de Sentinel-1 y validadas con mediciones de 20 predios productivos. A partir de estas fuentes se calcularon índices de vegetación (NDVI, GNDVI, SAVI y EVI) y arámetros SAR (VH, VV, VH/VV y RVI), que se emplearon como predictores en modelos de regresión lineal simple, múltiple y Random Forest. Los resultados mostraron que los modelos lineales simples tuvieron un desempeño limitado (R2 máximo de 0,369), mientras que la regresión múltiple alcanzó un mejor ajuste en el mes 4 con R2=0,520 y MSE=1,54 t/ha. No obstante, los modelos Random Forest presentaron mayor estabilidad en los errores, con un escenario óptimo de R2=0,362, RMSE=0,663 t/ha y MAE=0,420 t/ha. Estos hallazgos evidencian que la integración multifuente y el uso de enfoques de aprendizaje automático fortalecen la consistencia en la predicción de rendimientos, constituyéndose en una alternativa aplicable a la gestión agrícola en regiones con condiciones variables como Boyacá.