> For the complete documentation index, see [llms.txt](https://docs.geopard.tech/geopard-tutorials/llms.txt). Markdown versions of documentation pages are available by appending `.md` to page URLs; this page is available as [Markdown](https://docs.geopard.tech/geopard-tutorials/esp/tour-del-producto-aplicacion-web/zones-maps-and-analytics/multi-layer-analytics.md).

# Analítica multicapa

Con GeoPard, puedes integrar múltiples capas de datos para crear zonas de manejo. Controlas pesos, índices, número de zonas, tipo de agrupamiento y área mínima del polígono.

{% @arcade/embed url="<https://app.arcade.software/share/em63luvNTYI6CFKUC3m6>" flowId="em63luvNTYI6CFKUC3m6" %}

*Demo interactiva: creación de zonas multicapa*

La agricultura de precisión genera grandes cantidades de datos, como datos de rendimiento, imágenes satelitales y capas de fertilidad del suelo. Muchos equipos aún tienen dificultades para convertir esas capas en información útil y acciones concretas. En agricultura de precisión, las zonas de manejo son áreas de un campo con un potencial de rendimiento similar, determinado por el tipo de suelo, la posición en la pendiente, la química del suelo, el microclima u otros factores que influyen en el cultivo. El conocimiento local del campo también es una parte importante del proceso. Las zonas de manejo ayudan a optimizar los insumos agrícolas y el potencial de rendimiento.

El principal desafío es crear zonas de manejo que reflejen la variabilidad real del campo. Combinar capas como imágenes satelitales, fertilidad del suelo, derivados topográficos y datos del monitor de rendimiento es el siguiente paso lógico para lograr zonas de manejo más adaptables.

El análisis multicapa (también conocido como análisis integrado) se está incorporando al motor de análisis geoespacial de GeoPard.

Las combinaciones clásicas para el análisis integrado incluyen uno o más conjuntos de datos de rendimiento, un mapa NDVI, elevación y características fisicoquímicas medidas por sensores del suelo. GeoPard admite estos parámetros y también permite incluir otras capas de datos del campo que ya están disponibles en el sistema o que el usuario carga directamente, como datos de muestreo del suelo y de rendimiento. Así, puedes trabajar con un conjunto completo de parámetros para el análisis integrado:

Datos de rendimiento\
Datos de teledetección:

* Mapa de productividad potencial (de un año y de varios años)
* Mapa de estabilidad/variabilidad
* Índices de vegetación NDVI, EVI2, WDRVI, LAI, SAVI, OSAVI, GCI, GNDVI

Topografía:

* Elevación
* Pendiente
* Curvatura
* Índice de humedad
* Orientación
* Relieve sombreado
* Rugosidad del terreno
* Aspereza

Datos del suelo:

* pH
* CEC (capacidad de intercambio catiónico)
* SOM (materia orgánica del suelo)
* K (potasio)
* Capa superficial del suelo delgada, menor capacidad de retención de agua disponible (suelo propenso a la sequía)
* EC (conductividad eléctrica)
* y otros atributos químicos disponibles en el conjunto de datos cargado

Es importante tener en cuenta que puedes configurar factores personalizados para cada capa de datos y asignarles la ponderación que desees. En GeoPard, puedes crear mapas de zonas de manejo basados en tu conocimiento del campo, mientras seleccionas las fuentes de datos y sus ponderaciones.

## Cómo funcionan las ponderaciones de las capas

La ponderación determina cuánto influye cada capa en cada píxel del mapa de zonas resultante.

### Primero se normalizan los datos

Las capas de entrada usan unidades y rangos incompatibles: el NDVI va de 0 a 1, el rendimiento de 4 a 12 t/ha, el pH de 5,5 a 7,5 y la EC de 5 a 60 mS/m. Si se combinaran los valores sin procesar, la capa con el mayor rango numérico dominaría el resultado, independientemente de su importancia agronómica.

GeoPard aplica primero una normalización mín.-máx. a cada capa y la reescala a un rango común según sus propios valores mínimo y máximo dentro del campo. A partir de ahí, la influencia depende únicamente de la ponderación.

### Luego se aplican las ponderaciones

Cada capa normalizada se multiplica por su ponderación y las capas se combinan en una sola superficie.

### Las ponderaciones negativas invierten la capa

Una ponderación negativa invierte la escala: los valores altos de la capa se tratan como bajos y los bajos, como altos. Úsala cuando las lecturas altas indiquen condiciones peores, por ejemplo:

* Contenido de arcilla en un campo con drenaje deficiente
* Elevación en zonas bajas afectadas por heladas o anegamiento
* EC cuando las lecturas altas indican salinidad en lugar de capacidad de retención de agua

### Los vacíos se interpolan

Cuando a una capa le faltan píxeles (por nubosidad en una escena satelital, una pasada omitida en los datos de rendimiento o puntos de muestreo del suelo dispersos), GeoPard interpola el vacío a partir de los valores circundantes en vez de descartar el píxel. El mapa combinado se mantiene continuo en todo el campo.

### El resultado se normaliza de nuevo

Después de ponderar y combinar las capas, el mapa resultante se normaliza una vez más para que abarque todo el rango y luego se divide en la cantidad de zonas seleccionada.

{% hint style="info" %}
**Cómo elegir las ponderaciones:** empieza por asignar la ponderación más alta a la capa en la que más confías. El rendimiento plurianual y la productividad satelital a largo plazo suelen ser las señales más fiables. Las imágenes satelitales de una sola fecha son las más circunstanciales, ya que cada escena capta un único momento de la campaña.
{% endhint %}

Las imágenes siguientes muestran un campo de ejemplo con capas de datos como un mapa de productividad de 18 años, un modelo digital de elevación, la pendiente, el relieve sombreado y los datos de rendimiento de 2019, junto con distintos resultados de análisis integrado. Puedes observar cómo evolucionan las zonas de manejo a medida que se añaden capas.

<figure><img src="https://2708050521-files.gitbook.io/~/files/v0/b/gitbook-x-prod.appspot.com/o/spaces%2FYICBELdyAXXebKAzfLOR%2Fuploads%2Fthi0JMlu2pSoF0wLOJp4%2FGeoPard%20Multi-Layer%20Maps%20creating.png?alt=media&amp;token=05cd9cea-0069-451d-af90-caa61801aaa1" alt="Multi-layer zones setup with several data layers and weights"><figcaption><p>Capas y ponderaciones para un mapa de zonas multicapa.</p></figcaption></figure>

<figure><img src="https://2708050521-files.gitbook.io/~/files/v0/b/gitbook-x-prod.appspot.com/o/spaces%2FYICBELdyAXXebKAzfLOR%2Fuploads%2FrfxM1lvXMqXgHLGug8Ow%2FGeoPard%20Multi-Layer%20Maps%20creating%20-%20result%20map.png?alt=media&amp;token=78d3bfd6-255b-477b-95d5-6bb0de84da61" alt="Multi-layer zones map built from imagery, soil EC, topography and yield"><figcaption><p>Resultado: zonas creadas combinando imágenes, EC del suelo, topografía y rendimiento.</p></figcaption></figure>


---

# Agent Instructions
This documentation is published with GitBook. GitBook is the documentation platform designed so that both humans and AI agents can read, navigate, and reason over technical content effectively. Learn more at gitbook.com.

## Querying This Documentation
If you need additional information that is not directly available in this page, you can query the documentation by asking a question.

Perform an HTTP GET request on the following URL with the `ask` and `goal` query parameters:

```
GET https://docs.geopard.tech/geopard-tutorials/esp/tour-del-producto-aplicacion-web/zones-maps-and-analytics/multi-layer-analytics.md?ask=<question>&goal=<user_goal>
```

`ask` is the immediate question: it should be specific, self-contained, and written in natural language.
`goal` is what the user is ultimately trying to achieve, the reason they need the answer. Sharing it helps GitBook give you a better, more relevant answer. A goal is most helpful when it describes the outcome the user wants rather than restating the question. For example, with `ask=how do I create an API token`, a goal like `automate deployments from our CI pipeline` lets GitBook tailor the answer to that use case.

The response will contain a direct answer to the question and relevant excerpts and sources from the documentation.

Use this mechanism when the answer is not explicitly present in the current page, you need clarification or additional context, or you want to retrieve related documentation sections.
