The yield strikes back: Enhancing the transferability of field scale wheat and barley yield models by leveraging Sentinel-1/2

Abstract

Este estudio analiza cómo mejorar la transferibilidad de modelos empíricos de estimación del rendimiento de trigo y cebada a escala de parcela mediante la integración de datos Sentinel-1 y Sentinel-2. Se propone una metodología basada en la normalización térmica mediante grados día acumulados (GDD) para reducir la variabilidad fenológica entre campañas y regiones, junto con la definición de nuevos índices espectrales y de fusión radar-óptica. Los modelos se calibran en un sitio con datos de alta calidad durante ocho campañas y se validan tanto entre temporadas como entre regiones. Los resultados muestran que la normalización con GDD mejora la estabilidad temporal y que los índices de fusión superan a los ópticos en determinados contextos, especialmente en cebada. Aunque la transferibilidad regional sigue siendo limitada, el enfoque propuesto sienta bases sólidas para sistemas escalables de monitorización agrícola.

Accurate and transferable crop monitoring from remote sensing remains challenging because vegetation signals are strongly affected by phenological asynchrony, climatic variability, and sensor-specific responses. This study investigates whether models calibrated on high-quality localized reference data can generalize to other regions by stabilizing sensor–biophysical relationships. The proposed methodology integrates thermal time normalization based on growing degree days (GDD) and physically motivated optical and optical–SAR fusion indices to enhance consistency across contrasting environments. Evaluations across seasons and regions show that GDD normalization improves performance relative to calendar-based approaches, and fusion-based linear models achieve robust seasonal validation results. Although regional transferability decreases, fusion indices reduce prediction errors compared to optical-only models. The findings highlight both the potential and limitations of empirical yield modeling and provide a structured framework for scalable agricultural monitoring.