Antonia Macedo-Cruz

The use of Sentinel-2 satellite imagery for crop monitoring is constrained by its native spatial resolution. To address this limitation, data fusion-based super-resolution techniques have emerged as a promising approach for generating imagery with enhanced spatial detail. In this study, we propose TVDSR, a Sentinel-2 and UAV image fusion model that integrates temporal and spectral information through a Bidirectional ConvLSTM-based architecture. The images used for super-resolution were constructed from spectral compositions of five vegetation indices. Model performance was evaluated using 15 acquisition dates, including 11 Sentinel-2 images acquired in 2024 and 4 acquired in 2025. Two independent dates were reserved for validation using reconstruction quality metrics. The proposed model was compared against three state-of-the-art reference models: S³-ESRGAN, DeepSent, and UAV-Net. UAV-Net achieved the best performance for the 2024 validation image (RMSE = 0.128, MAE = 0.10, PSNR = 24.06 dB, and SSIM = 0.86). However, TVDSR obtained the best results for the 2025 evaluation image (RMSE = 0.149, MAE = 0.115, PSNR = 22.60 dB, and SSIM = 0.85) and exhibited the lowest performance degradation across acquisition dates, indicating superior temporal generalization capability. Furthermore, TVDSR more consistently preserved the derived vegetation indices, reflecting a better retention of spectral information associated with crop condition, while producing reconstructions that were visually closer to the reference UAV imagery. The joint integration of temporal and spectral information constitutes an effective strategy for improving the robustness and generalization capability of Sentinel-2 image super-resolution for crop monitoring, precision agriculture, crop condition assessment, and agricultural management applications.

Accurate high-resolution daily temperature is essential for climate-risk assessment in orographically and climatically heterogeneous regions, yet systematic multi-model comparisons remain scarce over extensive complex domains. This study develops and benchmarks a complete station-disjoint statistical downscaling workflow for daily maximum (Tmax) and minimum (Tmin) temperature across Mexico, integrating the Climate Hazards Center InfraRed Temperature with Stations (CHIRTS), satellite-blended fields with topographic descriptors, vegetation indices, seasonal harmonics and lagged predictors. Four tabular machine-learning models were compared under spatial holdout and repeated spatial backtesting protocols. On the Final test split the weighted ensemble was the most accurate model for Tmax, whereas XGBoost was the most accurate for Tmin. Diebold-Mariano tests with the Harvey-Leybourne-Newbold correction showed that the ensemble advantage is statistically significant for Tmax but protocol-dependent for Tmin — present in the V4 fixed-split comparison yet reversed on the final split, where XGBoost and LightGBM significantly outperform the ensemble. Downscaling substantially reduced the Kolmogorov-Smirnov distance to the observed station distributions, especially for the cold tail of Tmin. A pixel-level Welford streaming analysis revealed that the temporal variability of the operational pipeline follows a marked north-to-south gradient — highest over the arid northern plateaus and lowest over the tropical south — and is systematically larger for Tmin than for Tmax. These findings support a parsimonious operational strategy: XGBoost as the default single model for national Tmax and Tmin mapping, with the weighted ensemble reserved as a marginal accuracy option for Tmax.

En regiones áridas y semiáridas, donde la infraestructura meteorológica es limitada, estimar con precisión la evapotranspiración de referencia (ET₀) es esencial para una gestión eficiente del recurso hídrico en la agricultura. La ecuación de Penman‑Monteith (PM-FAO 56) es el método de referencia por su solidez física y precisión, aunque requiere variables como humedad relativa (HR), radiación solar (Rs) y velocidad del viento (U₂), las cuales no siempre están disponibles. En este estudio se evaluó el desempeño de la ecuación PM aplicada con datos faltantes (PM‑df) respecto a la versión estándar, utilizando series diarias de seis localidades del estado de Chihuahua, México, analizando escenarios con ausencia individual, combinada y total de estas variables, además de su variación estacional.La falta de una sola variable mantuvo un desempeño aceptable en la mayoría de los casos, destacando que la omisión de Rs produjo los mayores errores, especialmente en verano, cuando la demanda atmosférica es más elevada. La combinación de dos variables mostró una reducción adicional en la precisión, particularmente cuando estuvo involucrada la Rs, lo que evidenció su papel dominante en la estimación de ET₀ en climas secos. La mayor pérdida de precisión ocurrió al eliminar simultáneamente las tres variables, con coeficientes de determinación (R²) entre 0,75 y 0,92, con errores más pronunciados en regiones altamente estacionales como Camargo y Jiménez, donde el contraste primavera-verano es más marcado. En contraste, localidades como Aldama y Dublan, mantuvieron mayor estabilidad en los indicadores de desempeño.Los hallazgos subrayan que la sensibilidad del modelo PM‑df depende tanto de la combinación de variables faltantes como del régimen climático local.[....]

The agricultural sector faces significant sustainability, productivity, and environmental impact challenges. In this context, geographic information systems (GISs) have become a key tool to optimize resource management and make informed decisions based on spatial data. These data support planning the best cotton planting and harvest dates based on agroclimatic conditions, such as temperature, precipitation, and soil type, as well as identifying areas with a lower risk of water or thermal stress. As a result, cotton productivity is optimized, and costs associated with supplementary irrigation or losses due to adverse conditions are reduced. However, data from automatic weather stations in Mexico are scarce and incomplete. Instead, grid meteorological databases (DMM, in Spanish) were used with daily temperature and precipitation data from 1983 to 2020 to determine the heat units (HUs) for each cotton crop development stage; daily and accumulated HU; minimum, mean, and maximum temperatures; and mean annual precipitation. This information was used to determine areas that comply with environmental, geographic, and regulatory conditions (NOM-059-SEMARNAT-2010, NOM-026-SAG/FITO-2014) to delimit areas with agricultural potential for planting genetically modified (GM) cotton. The methodology made it possible to produce thirty-four maps at a 1:250,000 scale and a digital GIS with 95% accuracy. These maps indicate whether a given agricultural parcel is optimal for cultivating GM cotton.

Global food demand has surged, necessitating innovative agricultural practices to mitigate environmental impacts and ensure food security. This study investigates the effects of pre-sowing treatments, including ozonated water and aqua regia, on the germination of tomato (Solanum lycopersicum L.) and roselle (Hibiscus sabdariffa L.) seeds. A randomized complete block design was used, comparing treatments to a deionized water control. Seeds were subjected to one-minute exposures, and germination metrics were assessed over 10 days. Results indicated that the ozone treatment significantly enhanced tomato seed germination rates compared to the control and aqua regia (Kruskal-Wallis, p ≤ 0.01). While statistical significance was not observed for all treatments in roselle, a trend towards improved germination with ozonated water and aqua regia was noted. Germination indices, including germination percentage, rate, and synchrony, were analyzed using principal component analysis (PCA), revealing distinct treatment effects. PCA highlighted that the ozone treatment promoted rapid and enhanced germination in tomato, correlating with metrics such as emergence rate and peak germination percentage. Aqua regia demonstrated efficacy in roselle, likely due to scarification of the seed coat. The study suggests that optimized ozone treatments can serve as a biostimulant, enhancing germination velocity, while aqua regia effectively improves germination in species with hard seed coats. These findings contribute to understanding the potential applications of pre-sowing treatments for improving crop production and sustainability.

La información climatológica es importante en la aplicación e investigación en distintas disciplinas relacionadas con los recursos naturales y el medio ambiente, sin embargo su adquisición puede ser difícil y demandar mucho tiempo, particularmente en zonas montañosas (Kouwen et al., 2005). Las estaciones meteorológicas terrestres no siempre representan de modo adecuado el clima que ocurre en las regiones de estudio o cuenca hidrográficas por su falta de cobertura geográfica, además de que presentan vacíos de información en sus series de datos. Ante tal problemática, en el presente trabajo de investigación se evaluaron datos mensuales de precipitación, temperatura máxima y mínima provenientes del conjunto de datos meteorológicos globales denominado “Reanálisis del Sistema de Predicción del Clima” (CFSR, por sus siglas en inglés), como una fuente de información de uso alternativo frente a las observadas in situ en estaciones convencionales (CLICOM), mediante un análisis estadístico en la cuenca alta del río Mayo, Chihuahua, México. Los indicadores estadísticos que se emplearon (sesgo porcentual, raíz del error cuadrático medio, error promedio absoluto y coeficiente de determinación) mostraron que, en general, existe un buen desempeño del CFSR en el modelamiento de la precipitación, temperatura máxima y mínima en época seca, y una sobreestimación durante los meses de lluvia.

Introducción: Los sistemas lama-bordo (SLB) se construyen en cauces naturales y favorecen la retención de sedimentos y humedad del escurrimiento para el desarrollo de la actividad agrícola.Objetivo: Obtener un modelo de predicción de volumen de suelo captado por los SLB en forma permanente, a partir de las características morfométricas e hidrológicas de las microcuencas donde estos han prevalecido en la Mixteca Alta de Oaxaca, México.Materiales y métodos: El estudio se hizo en 27 sitios donde se determinaron parámetros morfométricos e índices hidrológicos que permitieron obtener el modelo de predicción de volumen mediante regresión lineal múltiple tipo backward stepwise.Resultados y discusión: Los sistemas estudiados se encontraron en microcuencas bajo condiciones que favorecen el transporte de sedimentos: forma alargada, áreas menores de 2 km2 con corrientes de 1° y 2° orden, en altitudes superiores a los 2 000 m y pendientes mayores de 10 %. Doce parámetros morfométricos y tres índices hidrológicos caracterizan dichas microcuencas y explican las condiciones físicas que permiten su establecimiento, pero solo cuatro (área de la microcuenca, pendiente media de la corriente principal, índice topográfico de humedad e índice de transporte de sedimentos) explican el volumen de sedimento acumulado (R2 = 0.85, P < 0.001).Conclusiones: El modelo evaluado para la estimación de volumen es confiable para su aplicación en sitios bajo condiciones similares.

La información climatológica es importante en la aplicación e investigación en distintas disciplinas relacionadas con los recursos naturales y el medio ambiente, sin embargo, su adquisición puede ser difícil y demandar mucho tiempo, particularmente en zonas montañosas (Kouwen et al., 2005). Las estaciones meteorológicas terrestres no siempre representan adecuadamente el clima que ocurre en las regiones de estudio o cuenca hidrográficas, por su falta de cobertura geográfica, además de que presentan vacíos de información en sus series de datos. Ante tal problemática, en el presente trabajo de investigación se evaluaron datos mensuales de precipitación, temperatura máxima y mínima provenientes del conjunto de datos meteorológicos globales denominado “Reanálisis del Sistema de Predicción del Clima”, (CFSR, por sus siglas en inglés) como una fuente de información de uso alternativo frente a las observadas in situ en estaciones convencionales (CLICOM), mediante un análisis estadístico en la cuenca alta del río Mayo, Chihuahua, México. Los indicadores estadísticos que se emplearon (sesgo porcentual, raíz del error cuadrático medio, error promedio absoluto y coeficiente de determinación) mostraron que, en general, existe un buen desempeño del CFSR en el modelamiento de la precipitación, temperatura máxima y mínima en época seca, y una sobreestimación durante los meses de lluvia.

La fertilidad del suelo es la capacidad más importante en la nutrición de las plantas y su variabilidad espacial puede determinarse mediante técnicas geoestadísticas que permiten mapear y delimitar áreas de manejo. Una de las ventajas importantes de los sistemas de información geográf ica (SIG) es el análisis espacial, en particular el uso de las interpolaciones de diferentes variables físicas químicas del suelo. El objetivo del trabajo fue analizar la fertilidad del suelo en la comunidad de Santo Domingo, Huasca de Ocampo, Hidalgo; utilizando mapas temáticos creados por el método de interpolación Kriging ordinario y validados con las técnicas de validación en campo y cruzada para las variables de fertilidad del suelo: contenido de nutrientes N, P, K, Ca, Mg y Na, y las propiedades pH, CE, MO y CIC. La información estadística para las variables demostró ser uniforme y fácilmente predecible; a excepción del pH y MO donde se observa poca representatividad de la media asociadas a una variabilidad intrazonal. El modelo seleccionado para el ajuste del semivariograma experimental, que mejor ajustó al de las variables estudiadas, fue el modelo Gaussiano; a excepción de la variable CE la cual se ajustó al modelo esférico. Los resultados muestran suelos con pH<6.0, que indica suelos ácidos, por lo tanto, los nutrientes Ca, P y Mg están menos disponibles para la planta. Asimismo, los nutrientes primarios como el N, P y K se encuentran en cantidades def icientes. Se concluye que los mapas obtenidos en este estudio, a partir, del modelo Kriging ordinario y los dos tipos de validación utilizados, es una herramienta útil como aproximación y referencia para determinar en buena medida la distribución espacial y variabilidad de las propiedades de fertilidad de los suelos. Los valores de MO, N, K, P y pH def inieron principalmente el estado actual de la fertilidad de los suelos y evidencian su degradación.

The information about where crops are distributed is useful for agri-environmental assessments, but is chiefly important for food security and agricultural policy managers. The quickness with which this information becomes available, especially over large areas, is important for decision makers. Methodologies have been proposed for the study of crops. Most of them require field survey for ground truth data and a single crop map is generated for the whole season at the end of the crop cycle and for the next crop cycle a new field survey is necessary. Here, we present models for recognizing maize (Zea mays L.), beans (Phaseolus vulgaris L.), and alfalfa (Medicago sativa L.) before the crop cycle ends without current-year field survey for ground truth data. The models were trained with an exhaustive field survey at plot level in a previous crop cycle. The field surveys begin since days before the emergence of crops to maturity. The algorithms used for classification were support vector machine (SVM) and bagged tree (BT), and the spectral information captured in the visible, red-edge, near infrared, and shortwave infrared regions bands of Sentinel 2 images was used. The models were validated within the next crop cycle each fifteen days before the mid-season. The overall accuracies range from 71.9% (38 days after the begin of cycle) to 87.5% (81 days after the begin cycle) and a kappa coefficient ranging from 0.53 at the beginning to 0.74 at mid-season