El papel de la teledetección en la agricultura de carbono: del dato a la evidencia
José Belenguer Ballester AINIA
jbelenguer@ainia.es
www.bibliotecahorticultura.com
José Belenguer Ballester
Resumen
La agricultura y los sistemas agroforestales pueden contribuir a la mitigación del cambio climático mediante el almacenamiento de carbono en la vegetación y el suelo. Para valorar esta contribución, no basta con implantar prácticas potencialmente beneficiosas: es necesario monitorizar su evolución y obtener estimaciones comparables y suficientemente fiables. Sin embargo, la diversidad de especies, edades, estructuras y condiciones ambientales genera una elevada variabilidad dentro de las parcelas, lo que dificulta extrapolar unas pocas mediciones al conjunto del sistema. La teledetección permite ampliar la cobertura de las observaciones, aumentar su nivel de detalle y repetirlas a lo largo del tiempo. La combinación de imágenes satelitales, vehículos aéreos no tripulados conocidos habitualmente como drones , sistemas terrestres y mediciones de campo ofrece una aproximación multiescala para caracterizar la vegetación y estimar variables relacionadas con la biomasa. El proyecto INNO4CFIs constituye un ejemplo de integración de estas tecnologías en entornos agroforestales reales, orientada a generar información trazable que pueda contribuir al desarrollo de futuros sistemas digitales de seguimiento, notificación y verificación
El papel de la teledetección en la agricultura de carbono
1. Introducción
La consecución de la neutralidad climática exigecombinar la reducción de las emisiones de gases de efecto invernadero con el aumento de las absorciones de carbono. En este contexto, los sistemas agroforestales ofrecen una vía especialmente relevante, al integrar árboles o vegetación leñosa con actividades agrícolas o ganaderas y favorecer el almacenamiento de carbono tanto en la vegetación como en el suelo. Esta capacidad se acompaña de otros beneficios potenciales, como la protección frente a la erosión, la regulación microclimática, la conservación de la biodiversidad y una mayor diversificación productiva, por lo que su contribución no debe evaluarse únicamente en términos de carbono (Golicz et al., 2022; Jose & Bardhan, 2012).
La relevancia de estas soluciones ha quedado reforzada por el Reglamento (UE) 2024/3012, que establece un marco voluntario de certificación para las absorciones permanentes de carbono, la agricultura de carbono o carbonocultura, y el almacenamiento de carbono en productos duraderos de origen biológico, como determinados materiales de construcción. El marco introduce criterios comunes de calidad y requisitos armonizados de seguimiento y notificación, con el objetivo de que los beneficios climáticos certificados sean cuantificables, adicionales, duraderos y verificables. En julio de 2026, la Comisión Europea dio un nuevo paso en su aplicación al adoptar metodologías de certificación para tres tipos de actividades: la agricultura y los sistemas agroforestales en suelos minerales, la restauración de turberas y otros suelos orgánicos, y la repoblación forestal (European Commission: Directorate-General for Climate Action, 2026; Regulation (EU) 2024/3012 of the European Parliament and of the Council of 27 November 2024 Establishing a Union Certification Framework for Permanent Carbon Removals, Carbon Farming and Carbon Storage in Products, 2024).
No obstante, una certificación creíble depende de la disponibilidad de métodos capaces de caracterizar sistemas espacialmente heterogéneos y cuantificar sus cambios de manera reproducible. En este sentido, persisten limitaciones relacionadas con la definición de los sistemas agroforestales, el establecimiento de las líneas de base, la medición del carbono edáfico y la estimación de la biomasa leñosa. En consecuencia, resulta necesario combinar observaciones de campo rigurosas con tecnologías de monitorización remota que permitan ampliar la evaluación desde árboles y parcelas individuales hasta escalas territoriales, manteniendo la trazabilidad de las estimaciones y de su incertidumbre (Cardinael et al., 2025; Galidaki et al., 2017).
2. La complejidad de los sistemas agroforestales mediterráneos
Los sistemas agroforestales europeos presentan configuraciones muy diversas, desde formaciones tradicionales, como dehesas o pastos arbolados, hasta plantaciones modernas en hileras y otros diseños adaptados a la mecanización. Esta diversidad dificulta su delimitación y comparación, especialmente cuando los árboles aparecen dispersos, en densidades reducidas o asociados a mosaicos complejos de cultivos, pastos y vegetación espontánea. Las cartografías convencionales tienden a omitir parte de estos elementos, mientras que las diferencias entre las definiciones nacionales y las distintas categorías de uso del suelo limitan la elaboración de inventarios coherentes a escala europea (Golicz et al., 2022).
Estos problemas son particularmente relevantes en los paisajes mediterráneos, caracterizados por una elevada heterogeneidad (horizontal y vertical), una topografía frecuentemente compleja y una marcada variabilidad estacional. La sequía estival, los episodios extremos, los incendios y los cambios de uso del suelo condicionan la distribución y evolución de la biomasa. Además, la coexistencia de árboles, arbustos, pastos y zonas de suelo expuesto dificulta diferenciar y caracterizar los distintos componentes de la vegetación, así como extrapolar directamente métodos desarrollados para masas forestales densas y homogéneas. Por ello, la biomasa aérea y el carbono asociado deben estimarse mediante procedimientos capaces de representar la diversidad espacial y estructural de la vegetación (Galidaki et al., 2017).
Los sensores ópticos pasivos, como las cámaras RGB o multiespectrales, proporcionan una amplia cobertura espacial y series temporales extensas, aunque aportan información limitada sobre la estructura vertical de la vegetación. Por su parte, los instrumentos activos, como los sensores LiDAR, permiten caracterizar directamente variables estructurales como la altura y la distribución vertical de la cubierta. La combinación de fuentes complementarias puede, por tanto, generar estimaciones más completas, pero sigue requiriendo mediciones de campo para calibrar y validar los modelos. La evaluación debe partir de una caracterización adecuada del sistema y de su manejo, continuar con un diseño de muestreo representativo de su heterogeneidad, emplear modelos de estimación de la biomasa apropiados y, finalmente, cuantificar la incertidumbre de los resultados. Esta integración constituye la base para obtener estimaciones comparables, reproducibles y compatibles con los requisitos emergentes de seguimiento, notificación y verificación del carbono (Cardinael et al., 2025; Galidaki et al., 2017).
3. Una arquitectura de observación
Ninguna tecnología de observación proporciona por sí sola todos los datos necesarios para caracterizar sistemas agroforestales complejos. Los satélites permiten observar grandes extensiones de forma regular; los drones aportan un nivel de detalle adaptable a la parcela; los sensores terrestres describen con mayor precisión la estructura de árboles individuales; y las mediciones de campo proporcionan las referencias necesarias para interpretar y validar los productos obtenidos. Estas fuentes no deben entenderse como alternativas excluyentes, sino como componentes de una arquitectura de observación multiescala.
El valor de esta arquitectura reside precisamente en la complementariedad entre escalas, frecuencias y tipos de medida. Una observación territorial repetida puede identificar cambios o anomalías espaciales; una campaña con drones puede examinarlos con mayor detalle; y una medición terrestre puede relacionarlos con dimensiones físicas concretas. La integración de estas capas permite pasar de la simple observación de la superficie a una caracterización más completa y trazable de la estructura de la vegetación, condición necesaria para obtener estimaciones de biomasa y carbono suficientemente fiables y trazables. Sin embargo, esta integración requiere una georreferenciación compatible, protocolos de adquisición consistentes y una evaluación explícita de la incertidumbre asociada a cada fuente de información (AlvarezVanhard et al., 2021)
[Figura 1]
3.1.Satélites
Los satélites constituyen la base para observar de forma repetida superficies extensas y comparar su evolución entre fechas, parcelas o regiones. Las misiones de acceso abierto, como
El papel de la teledetección en la agricultura de carbono
Sentinel y Landsat, favorecen la construcción de series temporales largas y homogéneas, mientras que las constelaciones comerciales pueden ofrecer una mayor frecuencia de adquisición o una resolución espacial más detallada. La elección no depende únicamente del tamaño del píxel, sino también de la información espectral disponible, la frecuencia real de observación, la estabilidad radiométrica, la presencia de nubes, el coste y las condiciones de acceso a los datos. En ocasiones, la solución más eficaz consiste en emplear series abiertas para el seguimiento sistemático y recurrir selectivamente a imágenes comerciales cuando se necesita resolver elementos o variaciones de menor tamaño. Esta combinación permite contextualizar las observaciones realizadas en parcelas concretas dentro de patrones territoriales y temporales más amplios (Chetverikov et al., 2025; Galidaki et al., 2017)
La dimensión representada por cada píxel varía considerablemente entre sensores. Como orden de magnitud, las bandas principales de Sentinel-2 representan superficies de aproximadamente 10–20 m de lado por píxel, PlanetScope ofrece habitualmente píxeles de unos pocos metros y determinados sistemas comerciales alcanzan resoluciones métricas o submétricas. En consecuencia, una imagen satelital no muestra directamente árboles individuales en todos los casos, sino la respuesta conjunta de la vegetación, el suelo, las sombras y otros elementos contenidos dentro de cada píxel. Este efecto de mezcla limita la caracterización detallada de estructuras pequeñas o heterogéneas, pero no impide analizar patrones espaciales, cambios temporales o diferencias entre unidades de mayor extensión (Chetverikov et al., 2025).
Los sensores ópticos embarcados en satélites proporcionan información sobre la reflectancia de la superficie en distintas bandas del espectro y permiten calcular índices relacionados con la presencia, densidad o actividad de la vegetación. Los sensores radar, por su parte, emiten su propia señal y registran la respuesta de la superficie, por lo que pueden adquirir datos durante la noche y atravesar la nubosidad. Su sensibilidad a determinadas propiedades estructurales y dieléctricas amplía las posibilidades de observación. No obstante, algunos indicadores ópticos y respuestas radar pueden perder sensibilidad o saturarse en cubiertas con una biomasa elevada. La relación entre la señal registrada y variables como la biomasa depende, por tanto, del sensor, la longitud de onda, la configuración de adquisición y las características de la vegetación, y debe establecerse mediante modelos y datos de referencia adecuados (Tian et al., 2023).
3.2.Drones
Los drones cubren el espacio intermedio entre la visión territorial de los satélites y la observación próxima realizada desde el suelo. Su principal ventaja es la posibilidad de planificar la adquisición para una parcela y una fecha concretas, ajustando la altura de vuelo, la trayectoria, el solape y la resolución a los objetivos del estudio. La plataforma aérea puede transportar distintas cargas de pago, como sensores RGB, espectrales, térmicos y/o LiDAR. Esta flexibilidad permite generar ortomosaicos, modelos de superficie, nubes de puntos y otros productos adecuados para delimitar copas, estimar alturas o caracterizar la cobertura y la estructura de la vegetación.
La resolución centimétrica que pueden alcanzar las imágenes no garantiza por sí sola la calidad de los resultados. La iluminación, las sombras, el viento, el movimiento de las plantas, la geometría de observación, el solape entre imágenes y las decisiones adoptadas durante el diseño y procesamiento del vuelo influyen en la reconstrucción final. Además, en sistemas con vegetación densa, los datos capturados desde una perspectiva aérea describen principalmente
las partes superiores y visibles de las copas, mientras que el tronco y los estratos inferiores pueden quedar parcial o totalmente ocultos. La interpretación debe considerar, por tanto, qué componentes de la estructurason realmente observables desdeel aire. Lacombinación de datos espectrales y estructurales puede proporcionar una caracterización más completa que el uso aislado de una de estas fuentes, aunque su rendimiento depende de las especies, la arquitectura de la vegetación y el modelo aplicado (Chehreh et al., 2023; Poley & McDermid, 2020)
La georreferenciación es especialmente importante cuando se pretende comparar campañas, integrar datos procedentes de distintos sensores o relacionar las observaciones aéreas con árboles y parcelas medidos en campo. Los puntos de control terrestre y los sistemas GNSS de alta precisión, mediante técnicas RTK o PPK, permiten mejorar el posicionamiento y reducir desplazamientos entre productos. La georreferenciación directa puede disminuir la dependencia de puntos de control, pero su rendimiento depende de la calidad y continuidad de las observaciones GNSS, de las correcciones recibidas y del procesamiento fotogramétrico. Una resolución espacial elevada sin una referencia geométrica suficientemente precisa puede producir mapas visualmente detallados, pero inadecuados para realizar comparaciones cuantitativas fiables (Syetiawan et al., 2024).
3.3.Sistemas terrestres
Los sensores terrestres permiten observar elementos estructurales que suelen quedar ocultos o insuficientemente resueltos en las adquisiciones aéreas. Las nubes de puntos tridimensionales pueden obtenerse mediante LiDAR o mediante reconstrucción fotogramétrica a partir de imágenes. A su vez, los sistemas LiDAR terrestres pueden utilizarse desde posiciones estáticas o instalados en equipos móviles. Estas configuraciones proporcionan diferentes compromisos entre cobertura, nivel de detalle, velocidad de adquisición y riesgo de oclusión.
Desde el suelo es posible describir con mayor detalle el tronco, las ramas y las partes inferiores de la copa, así como estimar diámetros, alturas y otras propiedades estructurales. Los escáneres láser terrestres suelen proporcionar medidas tridimensionales directas y densas, mientras que la fotogrametría reconstruye la geometría a partir de imágenes solapadas y depende en mayor medida de la textura visible, la iluminación y la calidad de las posiciones de captura. Los sistemas móviles y algunos dispositivos de consumo facilitan adquisiciones más rápidas, aunque pueden presentar una menor precisión o una mayor deriva acumulada que los equipos estáticos de referencia. La representación tridimensional detallada también permite evitar simplificaciones excesivas de la geometría del tronco, cuya sección y orientación pueden variar con la altura y presentar inclinaciones, bifurcaciones o irregularidades (Brede et al., 2022; Disney et al., 2018).
Estas tecnologías tampoco eliminan todas las dificultades de observación. La vegetación situada entre el sensor y el objeto produce oclusiones; una única posición de medida puede dejar zonas sin registrar; y el movimiento de hojas y ramas dificulta la correspondencia entre observaciones. Por ello, la calidad de una nube de puntos depende tanto del sensor como del diseño de la adquisición, del número y distribución de las posiciones, del registro entre capturas y de los procedimientos utilizados para filtrar, segmentar y medir los elementos de interés. La reconstrucción incompleta de las ramas pequeñas y la separación entre hojas y componentes leñosos constituyen fuentes adicionales de incertidumbre cuando se pretende estimar el volumen del árbol (Brede et al., 2022; Disney et al., 2018)
El papel de la teledetección en la agricultura de carbono
3.4.Mediciones
de campo
Las mediciones de campo siguen siendo necesarias para relacionar los datos remotos con características físicas de los árboles. Variables como el diámetro del tronco, la altura, las dimensiones de la copa, la especie o el estado del árbol proporcionan referencias para entrenar y validar los modelos derivados de satélites, drones o sensores terrestres. Disponer de imágenes más detalladas o de nubes de puntos más densas no sustituye la necesidad de comprobar qué representan realmente los patrones observados y con qué incertidumbre pueden convertirse en variables biofísicas.
La obtención de estas referencias tiene, sin embargo, un coste significativo. Las mediciones convencionales deben realizarse árbol a árbol y pueden verse afectadas por la accesibilidad y la experienciadel operador, y resultan difíciles derepetir con unafrecuencia elevadaen superficies extensas. La determinación directa de biomasa mediante apeo, separación de componentes, pesaje y, en su caso, secado y pesaje de muestras proporciona referencias muy valiosas, pero es destructiva y solo suele ser viable en un número limitado de individuos. Por esta razón, gran parte de la biomasa se estima mediante ecuaciones alométricas construidas a partir de mediciones de campo y muestreos destructivos previos. La aplicabilidad de estas relaciones depende de la representación adecuada de las especies, tamaños y arquitecturas presentes, y puede disminuir cuando se utilizan fuera de las condiciones para las que fueron desarrolladas (Disney et al., 2018).
En conjunto, la arquitectura de observación no elimina el trabajo de campo, sino que permite utilizarlo con mayor eficacia. Las observaciones territoriales ayudan a seleccionar las áreas representativas; los drones y sensores terrestres amplían el número y detalle de los árboles caracterizados; y las referencias de campo permiten evaluar la precisión y las limitaciones de los modelos. La solidez del resultado depende de mantener esta conexión entre escalas, diferenciar claramente los datos empleados para la calibración y la validación de los modelos y documentar cómo se propagan las incertidumbres desde la medida original hasta el resultado final.
4. De los datos de teledetección a la estimación del carbono
Las imágenes y las nubes de puntos no contienen una medida directa y universal del carbono almacenado. Registran intensidad, radiancia, reflectancia, tiempo de vuelo u otras respuestas físicas que deben transformarse en variables interpretables. El proceso requiere corregir y georreferenciar los datos, segmentar los objetos de interés, extraer atributos y establecer relaciones verificables entre esos atributos y propiedades como la cobertura de copas, la altura de la vegetación, el diámetro del tronco o la biomasa aérea.
[Figura 2]
El primer nivel de transformación convierte los datos adquiridos en productos espectrales y geométricos consistentes. En el caso de las imágenes ópticas, el procesamiento puede incluir correcciones radiométricas y atmosféricas, el enmascaramiento de nubes y sombras, la ortorrectificación y el cálculo de índices espectrales. Cuando se dispone de imágenes solapadas adquiridas desde diferentes posiciones, el procesamiento fotogramétrico permite estimar su orientación, reconstruir nubes de puntos y generar ortomosaicos y modelos del terreno y de la superficie. En los datos LiDAR, el proceso comprende el registro y la clasificación de los retornos,
la separación entre terreno y vegetación y la normalización de las alturas. La calidad de estas operaciones condiciona las variables derivadas y, por tanto, todas las estimaciones posteriores.
A partir de esos productos se obtienen variables observables relacionadas con la distribución y la estructura de la vegetación. La cobertura de copas puede estimarse mediante clasificación y segmentación de imágenes; la altura, a partir de la diferencia entre un modelo de la superficie y otro del terreno; y la extensión horizontal de las copas, a partir de sus contornos. Las nubes de puntos terrestres permiten, además, medir diámetros, perfiles de tronco y geometría de ramas. Los datos espectrales y radar aportan información complementaria sobre el estado y la estructura de la vegetación, aunque su respuesta puede estar condicionada por la saturación, la humedad, el suelo, las sombras y la mezcla de distintos elementos dentro de un mismo píxel.
Estas variables adquieren relevancia para la estimación del carbono cuando se relacionan con el volumen o la biomasa mediante modelos basados en procesos, modelos estadísticos o ecuaciones alométricas. Estas últimas utilizan relaciones observadas entre dimensiones accesibles, como el diámetro o la altura, y variables más difíciles de medir directamente, como la biomasa. Los modelos basados en teledetección pueden incorporar alturas, dimensiones de copa, métricas obtenidas de nubes de puntos, índices espectrales o respuestas radar, bien para estimar directamente la biomasa, bien para obtener primero atributos intermedios como el diámetro o la altura. Ninguna de estas relaciones es universal: su validez depende de las especies, la estructura de la vegetación, los componentes de biomasa considerados, las condiciones decrecimiento y el intervalo de tamaños representado durante su desarrollo (Henry et al., 2013; Picard et al., 2012)
La fiabilidad de un modelo no debe valorarse únicamente por su buen ajuste a los datos utilizados para construirlo. También es necesario comprobar que sus predicciones sean coherentes, que no presenten desviaciones sistemáticas y que mantengan un comportamiento adecuado cuando se aplican a datos independientes. Cuando el número de observaciones es limitado, pueden emplearse estrategias que separen sucesivamente parte de los datos para evaluar la capacidad predictiva del modelo. En todos los casos, deben evitarse la selección arbitraria del modelo, la utilización de variables redundantes y la aplicación fuera de las especies, tamaños o condiciones para las que fue desarrollado. La validación independiente y la estimación explícita del error son, por tanto, esenciales para evitar resultados aparentemente precisos, pero poco representativos del sistema estudiado(Picard et al., 2012; Sileshi, 2014)
Los modelos calibrados localmente pueden reducir determinados sesgos, pero no garantizan por sí solos una transferencia adecuada a otros lugares. Diferencias entre especies, edades, densidades, arquitecturas y condiciones de crecimiento pueden modificar las relaciones entre diámetro, altura, dimensiones de copa, volumen y biomasa. La densidad de la madera añade otra fuente de variación, ya que árboles con dimensiones externas semejantes no contienen necesariamente la misma masa leñosa. La aplicación de una ecuación fuera de la población, el intervalo dimensional o las condiciones para las que fue desarrollada requiere, por tanto, una validación específica y, cuando sea necesario, una recalibración con datos locales (Brede et al., 2022; Henry et al., 2013; Picard et al., 2012).
La misión BIOMASS de la ESA ilustra esta transición desde una observación instrumental hasta variables relacionadas con el carbono forestal. Su radar de apertura sintética de banda P y
El papel de la teledetección en la agricultura de carbono
polarización completa fue diseñado para mejorar el inventario de las reservas de carbono de los bosques, y sus productos principales incluyen densidad de biomasa aérea, altura forestal y perturbaciones forestales. Estos productos no son imágenes convencionales que puedan interpretarse de forma inmediata, sino resultados de cadenas de procesamiento y modelos científicos que transforman la respuesta radar en variables forestales cuantitativas (ACRI-ST & European Space Agency, 2025).
Una vez estimada la biomasa, su conversión en carbono requiere aplicar factores adecuados y declarar con claridad qué componentes se han incluido. La biomasa aérea puede comprender tronco, corteza, ramas y follaje, mientras que las raíces, la madera muerta, la hojarasca y el carbono orgánico del suelo constituyen reservorios distintos. Las ecuaciones pueden estimar el árbol completo o solo determinados componentes, por lo que sus resultados no son intercambiables sin una armonización previa. Además, la biomasa se obtiene a partir del volumen y de la densidad de los tejidos, mientras que la estimación del carbono introduce una conversión posterior. Por ello, una estimación de biomasa aérea no equivale por sí sola a una evaluación completa del carbono almacenado en el sistema (Henry et al., 2013; Picard et al., 2012).
La repetición de las observaciones permite analizar cambios temporales, pero las diferencias entre fechas no reflejan necesariamente variaciones reales en la biomasa o el carbono. También pueden deberse a la estacionalidad, la humedad, las condiciones de iluminación, la geometría de adquisición, la georreferenciación o las decisiones de procesamiento. La detección de cambios exige mantener protocolos comparables y separar la incertidumbre de medida del cambio biológico. Cuando las estimaciones proceden de modelos diferentes o de ecuaciones alométricas actualizadas, también debe comprobarse que cualquier variación observada no sea consecuencia del método de cálculo.
El resultado final debe asociarse a su escala espacial, fecha de referencia, población e intervalo de validez e incertidumbre. Esta última no procede de una única etapa, sino de la combinación de los errores de campo y muestreo, el procesamiento y la georreferenciación, la delimitación de copas o árboles, la extracción de variables y la selección y aplicación del modelo. Ignorar la incertidumbre de las ecuaciones de biomasa o tratarlas como relaciones exactas puede producir una falsa sensación de precisión en los indicadores finales (Sileshi, 2014). La utilidad de una variable para el seguimiento del carbono depende, en definitiva, de que exista una cadena trazable desde la observación inicial hasta la estimación final, con una distinción explícita entre los pasos demostrados, los supuestos introducidos y las validaciones realizadas.
5. El caso de INNO4CFIs
INNO4CFIs, acrónimo de Nature-Based Business Model and Emerging Innovations to Enhance Carbon Farming Initiatives while Preserving Biodiversity, Water Security and Soil Health, aborda la agricultura de carbono desde una doble perspectiva: la implantación de soluciones basadas en la naturaleza y la maduración de tecnologías capaces de medir, interpretar y valorizar sus resultados. El proyecto presta especial atención a los sistemas agroforestales y considera, junto con el almacenamiento de carbono, otros beneficios relacionados con la biodiversidad, el agua y la salud del suelo. Esta visión se amplía mediante el enfoque WEFE Nexus, que estudia conjuntamente las relaciones entre agua, energía, alimentación y medioambiente.
La validación se desarrolla en living hubs, entendidos como entornos de experimentación donde las tecnologías se aplican en condiciones reales y sobre sistemas agroforestales con distintas especies, estructuras y fases de desarrollo. Estos espacios permiten evaluar no solo el funcionamiento aislado de cada solución, sino también su integración en una cadena que conecta las mediciones de campo con la observación terrestre, aérea y satelital, la gestión de datos y los modelos de inteligencia artificial. El planteamiento busca combinar la precisión de las referencias obtenidas sobre el terreno con métodos no destructivos que puedan repetirse y ampliarse a superficies mayores (Conti, Scatena, et al., 2025).
Uno de los principales ejes demostrativos es la adquisición de datos mediante drones equipados con cámaras RGB y multiespectrales y sistemas GNSS-RTK. La planificación de vuelos, la calibración radiométrica y la georreferenciación permiten generar ortomosaicos, mapas de índices devegetación, nubes de puntos y modelos digitales del terreno y de la superficie. A partir de estos productos se derivan variables espectrales y estructurales, como la cobertura y las dimensiones de las copas o la altura de la vegetación. Cuando la geometría y la separación entre árboles lo permiten, el análisis puede alcanzar el nivel de ejemplar individual. La combinación de información espectral y tridimensional facilita así la caracterización de la variabilidad de las plantaciones, el establecimiento de líneas de base y su seguimiento temporal.
[Figura 3]
Esta perspectiva aérea se complementa con técnicas de observación terrestre basadas en imagen RGB, LiDAR móvil y posicionamiento RTK. Las reconstrucciones tridimensionales obtenidas desde el suelo permiten observar directamente los troncos y estimar sus diámetros, una variable de entrada esencial para numerosos modelos alométricos. Su aplicación en las parcelas estudiadas ha permitido obtener medidas comparables entre campañas y establecer controles de calidad sobre la coherencia geométrica de las adquisiciones, aunque su incorporación definitiva a modelos de biomasa requiere ampliar la validación y evaluar su transferibilidad (Tárraga Martínez et al., 2026)
El valor del enfoque no reside en sustituir las mediciones de referencia, sino en utilizarlas para calibrar y validar métodos escalables. Las observaciones terrestres describen el árbol; los drones conectan esa información con la parcela; y los satélites aportan continuidad y cobertura territorial. La integración de estas fuentes, apoyada por modelos de inteligencia artificial, permite analizar su exactitud y repetibilidad, combinar escalas y avanzar hacia inventarios menos invasivos y más frecuentes. El caso demostrativo confirma, al mismo tiempo, que la teledetección necesita datos de campo fiables y que los métodos destructivos, aunque precisos, no son adecuados como procedimiento habitual de seguimiento. La estrategia más sólida consiste, por tanto, en combinar referencias selectivas con observaciones remotas repetibles y trazables (Conti, Della Rocca, et al., 2025)
6. Del seguimiento tecnológico al MRV digital
Los sistemas de seguimiento, notificación y verificación, conocidos habitualmente como MRV por sus siglas en inglés, permiten documentar cómo se han obtenido los datos, cómo se transforman en estimaciones y con qué garantías pueden utilizarse. Su función no consiste únicamente en medir, sino en mantener una cadena de evidencias que conecte las observaciones originales con los resultados comunicados. Esto exige describir la localización y
El papel de la teledetección en la agricultura de carbono
las características del sistema estudiado, los métodos de adquisición, las variables empleadas, los modelos aplicados y sus limitaciones. La definición de un conjunto mínimo de datos es esencial para que las estimaciones puedan reproducirse, compararse y actualizarse de forma coherente (Cardinael et al., 2025; Golicz et al., 2022)
La digitalización ofrece herramientas para construir esta cadena de evidencias. Los datos georreferenciados permiten vincular cada observación con una parcela, un árbol o una fecha concreta. La repetición de medidas facilita la actualización de inventarios, la detección de cambios y la identificación de anomalías. Al mismo tiempo, los procedimientos automatizados pueden reducir parte del trabajo manual, estandarizar tareas de procesamiento y conservar la información necesaria para reconstruir cómo se obtuvo cada resultado. La combinación de observaciones terrestres, drones y satélites amplía además la cobertura espacial y temporal, siempre que se asegure la compatibilidad geométrica y radiométrica entre sensores, escalas y fechas (Alvarez-Vanhard et al., 2021).
El resultado no debe entenderse como una plataforma únicay cerrada, sino como un ecosistema flexible de observación, modelos y sistemas de gestión de datos. En el caso demostrativo de INNO4CFIs, las mediciones de campo y la teledetección se conectan con una arquitectura descentralizada concebida para integrar fuentes heterogéneas, controlar el acceso y mantener la trazabilidad de la información (Conti, Scatena, et al., 2025)
Estas capacidades pueden contribuir a futuros sistemas MRV y responder a la demanda europea de una cuantificación transparente y verificable. En términos generales, un crédito de carbono representa una tonelada de CO₂ equivalente reducida, evitada o absorbida, de acuerdo con las reglas del sistema en el que se genera. Sin embargo, la teledetección solo aporta una parte de ese proceso: permite generar variables, ampliar observaciones, alimentar modelos y documentar su procedencia, pero no permite demostrar por sí sola la adicionalidad ni garantizar la duración del almacenamiento, y tampoco resuelve las posibles fugas, la titularidad de las unidades o su certificación. Conviene distinguir entre cuantificar un beneficio climático, certificarlo mediante una metodología y una verificación reconocidas, emitir la unidad correspondiente en un registro, transferirla entre titulares y retirarla cuando se utiliza. Estas etapas requieren marcos metodológicos, institucionales y jurídicos específicos, como los establecidos por el Reglamento (UE) 2024/3012 (Regulation (EU) 2024/3012 of the European Parliament and of the Council of 27 November 2024 Establishing a Union Certification Framework for Permanent Carbon Removals, Carbon Farming and Carbon Storage in Products, 2024).
7. Retos de monitorización en la agricultura de carbono
Disponer de más datos no conduce automáticamente a estimaciones más fiables. El primer reto es la interoperabilidad: combinar información procedente de sensores terrestres, drones y satélites implica trabajar con distintas resoluciones, geometrías, bandas espectrales, fechas y algoritmos de procesamiento. Las diferencias de georreferenciación o calibración pueden propagarse a través de los modelos y generar inconsistencias que no siempre resultan visibles en el producto final. La integración requiere, por tanto, protocolos comunes, metadatos completos y mecanismos que permitan localizar, interpretar y reutilizar los datos (AlvarezVanhard et al., 2021)
El segundo reto es la calibración y validación. La teledetección no mide directamentela biomasa, sino que genera variables relacionadas con ella, como la cobertura, la altura o los índices de vegetación. La relación entre esas variables y la biomasa depende de la especie, la arquitectura de la vegetación, la fase de desarrollo, las condiciones ambientales y el manejo. Por ello, un modelo desarrollado en un lugar o momento determinados no debe trasladarse automáticamente a otro contexto. La selección arbitraria de modelos, el uso inadecuado de indicadores de ajuste, la colinealidad y una validación insuficiente pueden producir resultados estadísticamente atractivos, pero poco fiables o difíciles de interpretar (Sileshi, 2014; Tian et al., 2023).
La comparabilidad temporal plantea un desafío adicional. Para atribuir significado a los cambios observados deben mantenerse procedimientos consistentes de adquisición, calibración y procesamiento. La fenología, las condiciones ambientales, la estructura de la vegetación o la resolución de las imágenes pueden modificar los resultados sin que exista un cambio equivalente en biomasa. Por esta razón, un aumento de un índice espectral o una variación en una clasificación no pueden interpretarse automáticamente como un incremento de carbono (Poley & McDermid, 2020).
Finalmente, la estrategia de seguimiento debe ser proporcional al objetivo. Una mayor resolución puede aumentar el coste, el volumen de datos y la complejidad sin mejorar necesariamente la decisión final. Las mediciones de campo continúan siendo necesarias para calibrar y validar, mientras que drones y satélites aportan repetibilidad y capacidad de ampliación. El equilibrio depende de la extensión, la frecuencia requerida, la incertidumbre aceptable y los recursos disponibles. También debe determinarse quién genera, conserva, comparte y reutiliza la información. Convertir datos en confianza exige, en definitiva, combinar rigor metodológico, trazabilidad, competencias especializadas y una gobernanza clara del dato (Conti, Della Rocca, et al., 2025)
8. Conclusiones
La transformación digital permitió avanzar desde una gestión apoyada principalmente en la experiencia y la intuición hacia otra basada en datos. La agricultura de carbono incorpora ahora una exigencia adicional: convertir esos datos en evidencias consistentes, comparables y trazables. La teledetección amplía la cobertura y la frecuencia de las observaciones, pero sus resultados necesitan mediciones de campo, procedimientos de calibración y modelos adecuados a cada sistema.
La combinación de satélites, drones, sistemas terrestres y herramientas de análisis permite implementar una monitorización multiescala en la que cada fuente aporta un nivel diferente de detalle, extensión y continuidad. Su integración requiere resolver limitaciones de interoperabilidad, calidad, incertidumbre, coste y disponibilidad de competencias especializadas. INNO4CFIs muestra cómo trasladar este planteamiento a sistemas agroforestales reales y conectarlo con arquitecturas de gestión de datos preparadas para conservar su trazabilidad.
El reto futuro no consiste en acumular datos, sino en transformarlos en información fiable y útil para la toma de decisiones. En la agriculturadecarbono, una mejor observación no solo conduce
El papel de la teledetección en la agricultura de carbono
a una mejor gestión: permite demostrar, con datos comparables y trazables, cómo evoluciona cada sistema y qué contribución puede realizar a una producción más resiliente y sostenible.
9. Agradecimientos
Este trabajo ha sido desarrollado en el marco del proyecto INNO4CFIs, cofinanciado por la Unión Europea a través del instrumento de Inversiones Interregionales en Innovación (I3) del Fondo Europeo de Desarrollo Regional, en virtud del acuerdo de subvención n.º 101115156.
Las opiniones y los puntos de vista expresados son exclusivamente los del autor o autores y no reflejan necesariamente los de la Unión Europea ni los de la Agencia Ejecutiva para el Consejo Europeo de Innovación y las Pymes (EISMEA). Ni la Unión Europea ni la autoridad otorgante pueden ser consideradas responsables de ellos.
10. Bibliografía
ACRI-ST, & European Space Agency. (2025). Biomass Disc ESA BIOMASS mission dissemination & BioPAL. https://www.biomass-disc.info/
Alvarez-Vanhard, E., Corpetti, T., & Houet, T. (2021). UAV & satellite synergies for optical remote sensing applications: A literature review. Science of Remote Sensing, 3, 100019. https://doi.org/10.1016/j.srs.2021.100019
Brede, B., Terryn, L., Barbier, N., Bartholomeus, H. M., Bartolo, R., Calders, K., Derroire, G., Krishna Moorthy, S. M., Lau, A., Levick, S. R., Raumonen, P., Verbeeck, H., Wang, D., Whiteside, T., van der Zee, J., & Herold, M. (2022). Non-destructive estimation of individual tree biomass: Allometric models, terrestrial and UAV laser scanning. Remote Sensing of Environment, 280, 113180. https://doi.org/10.1016/j.rse.2022.113180
Cardinael, R., Cadisch, G., Dupraz, C., Lojka, B., & Oelbermann, M. (2025). Guidelines for improved quantification and reporting of carbon stocks and additional carbon storage in agroforestry systems. Agroforestry Systems, 99(4), 82. https://doi.org/10.1007/s10457025-01184-x
Chehreh, B., Moutinho, A., & Viegas, C. (2023). Latest Trends on Tree Classification and Segmentation Using UAV Data A Review of Agroforestry Applications. Remote Sensing, 15(9), 2263. https://doi.org/10.3390/rs15092263
Chetverikov, B., Zaiats, I., Shylo, Y., & Petryk, Y. (2025). Comparison of the Use of Commercial and Open Satellite Data for Precision Agriculture. Precision Agriculture, 1(2,2025), 1–10. https://doi.org/10.23939/pa2025.02.001
Conti, N., Della Rocca, G., Franciamore, F., Marra, E., Nigro, F., Nigrone, E., Ramadhan, R., Paris, P., Tárraga-Martínez, G., Belenguer-Ballester, J., Scatena, L., Lombardi, E., & Garosi, C. (2025). Tree Biomass Estimation in Agroforestry for Carbon Farming: A Comparative Analysis of Timing, Costs, and Methods. Forests, 16(8), 1287. https://doi.org/10.3390/f16081287
Conti, N., Scatena, L., Lombardi, E., Roscani, V., Meconcelli, E., Franciamore, F., Valdeolmillos, D., Marra, E., Manzini, J., Paris, P., Costanzo, L., Villa, A., Papadopoulou, P., Galani, A., Olea Alonso, E., Belenguer Ballester, J., & Della Rocca, G. (2025). Living Hubs in the INNO4CFIs Project. From Ground to Satellites to AI Applications: Integrating Advanced Technologies for Carbon Farming in Agroforestry. Lecture Notes in Networks and Systems, 1198 LNNS, 399–408. https://doi.org/10.1007/978-3-031-76459-2_37
Disney, M. I., Boni Vicari, M., Burt, A., Calders, K., Lewis, S. L., Raumonen, P., & Wilkes, P. (2018). Weighing trees with lasers: Advances, challenges and opportunities. Interface Focus, 8(2). https://doi.org/10.1098/rsfs.2017.0048
European Commission: Directorate-General for Climate Action. (2026, July 10). Commission adopts certification methodologies for carbon farming under the CRCF Regulation. Climate Action - European Commission. https://climate.ec.europa.eu/news-otherreads/news/commission-adopts-certification-methodologies-carbon-farming-under-crcfregulation-2026-07-10_en
Galidaki, G., Zianis, D., Gitas, I., Radoglou, K., Karathanassi, V., Tsakiri–Strati, M., Woodhouse, I., & Mallinis, G. (2017). Vegetation biomass estimation with remote sensing: focus on forest
El papel de la teledetección en la agricultura de carbono
and other wooded land over the Mediterranean ecosystem. International Journal of Remote Sensing, 38(7), 1940–1966. https://doi.org/10.1080/01431161.2016.1266113
Golicz, K., Bellingrath-Kimura, S., Breuer, L., & Wartenberg, A. C. (2022). Carbon accounting in European agroforestry systems – Key research gaps and data needs. Current Research in Environmental Sustainability, 4, 100134. https://doi.org/10.1016/j.crsust.2022.100134
Henry, M., Bombelli, A., Trotta, C., Alessandrini, A., Birigazzi, L., Sola, G., Vieilledent, G., Santenoise, P., Longuetaud, F., Valentini, R., Picard, N., & Saint-André, L. (2013). GlobAllomeTree: international platform for tree allometric equations to support volume, biomass and carbon assessment. IForest - Biogeosciences and Forestry, 6(6), 326–330. https://doi.org/10.3832/ifor0901-006
Jose, S., & Bardhan, S. (2012). Agroforestry for biomass production and carbon sequestration: an overview. Agroforestry Systems, 86(2), 105–111. https://doi.org/10.1007/s10457-0129573-x
Picard, N., Saint-André, L., & Henry, M. (2012). Manual for building tree volume and biomass allometric equations: from field measurement to prediction. In Food and Agriculture Organization of the United Nations (FA0). FAO and CIRAD. http://foris.fao.org/static/allometric/Manual_EN_WEB.pdf
Poley, L. G., & McDermid, G. J. (2020). A Systematic Review of the Factors Influencing the Estimation of Vegetation Aboveground Biomass Using Unmanned Aerial Systems. Remote Sensing, 12(7), 1052. https://doi.org/10.3390/rs12071052
Regulation (EU) 2024/3012 of the European Parliament and of the Council of 27 November 2024 Establishing a Union Certification Framework for Permanent Carbon Removals, Carbon Farming and Carbon Storage in Products, Official Journal of the European Union (2024). https://eur-lex.europa.eu/legal-content/EN/ALL/?uri=CELEX%3A32024R3012
Sileshi, G. W. (2014). A critical review of forest biomass estimation models, common mistakes and corrective measures. Forest Ecology and Management, 329, 237–254. https://doi.org/10.1016/j.foreco.2014.06.026
Syetiawan, A., Pranoto, F. S., Pratama, R. A., & Prihatin, S. M. (2024, December 4). High Accuracy Rapid Mapping Using NTRIP-RTK on Unmanned Aerial Vehicle (UAV). 2024 IEEE International Conference on Aerospace Electronics and Remote Sensing Technology, ICARES 2024 - Proceedings. https://doi.org/10.1109/ICARES64249.2024.10768010
Tárraga Martínez, G., Oñate Tévar, J. M., & Belenguer Ballester, J. (2026). Estimación del diámetro en olivos jóvenes mediante LiDAR móvil terrestre y RTK para su aplicación en modelos de biomasa. Congresos UEx, Actas de Congresos, (2). https://doi.org/10.17398/3101-7177.2.223
Tian, L., Wu, X., Tao, Y., Li, M., Qian, C., Liao, L., & Fu, W. (2023). Review of Remote SensingBased Methods for Forest Aboveground Biomass Estimation: Progress, Challenges, and Prospects. Forests, 14(6), 1086. https://doi.org/10.3390/f14061086
ESPECIALISTES EN SERVEIS PER A LA PRODUCCIÓ EDITORIAL, SL
Doctor Manuel Candela 26, 11ª 46021 VALENCIA – ESPAÑA
Tel.: +34-649 48 56 77 / info@poscosecha.com NIF: B-43458744
www.poscosecha.com www.postharvest.biz www.bibliotecahorticultura.com www.tecnologiahorticola.com www.actualfruveg.com