Detectan malezas en cultivos de alfalfa con drones e IA

Drones comerciales para detectar malezas en alfalfa

Uno de los principales desafíos del monitoreo agrícola es identificar diferentes especies vegetales cuando presentan características visuales similares.

Esto ocurre especialmente en escenarios conocidos como “verde sobre verde”, donde la alfalfa y las malezas crecen simultáneamente y resulta difícil diferenciarlas mediante imágenes convencionales.

Habitualmente, este tipo de análisis requiere cámaras multiespectrales o térmicas, cuyo costo puede representar una barrera para productores y asesores técnicos.

Para superar esta limitación, los investigadores utilizaron sensores ópticos RGB, similares a los incorporados en drones comerciales de uso masivo.

Laura Cano, especialista del INTA Catamarca y una de las autoras del trabajo, explicó la importancia de desarrollar alternativas económicamente accesibles.

“En economías regionales como las del noroeste argentino, el costo de las cámaras multiespectrales suele ser una limitante crítica para asesores y productores”, señaló.

Y agregó: “Buscamos demostrar que con un dron comercial y el uso de algoritmos de Machine Learning como CatBoost, es posible aislar con alta precisión la cobertura útil del cultivo de alfalfa, incluso en momentos donde todo el lote se encuentra verde y en activo desarrollo”.

Un ensayo de 3,3 hectáreas con resultados reveladores

La experiencia se desarrolló en un lote de alfalfa de 3,3 hectáreas, ubicado en el Campo Anexo Santa Cruz de la Estación Experimental Agropecuaria Catamarca.

Para evaluar el desempeño de la tecnología, los especialistas realizaron dos vuelos con un dron DJI Air 3S, a una altura de 40 metros.

El primero se efectuó cuando tanto la alfalfa como las malezas se encontraban en pleno crecimiento, una condición que dificulta su diferenciación mediante cámaras convencionales.

El segundo relevamiento se realizó 45 días después, tras el corte de la alfalfa y cuando las malezas habían ingresado en senescencia. Esta situación permitió obtener un mayor contraste visual y validar los resultados del primer vuelo.

Las imágenes fueron procesadas mediante el algoritmo CatBoost, utilizando plataformas de código abierto como QGIS y WebODM.

¿Qué revelaron los resultados en los cultivos?

Carlos Navarro, técnico del INTA Marcos Juárez, destacó la consistencia de los datos obtenidos durante ambos relevamientos.

“Al procesar las imágenes con CatBoost en plataformas de código abierto como QGIS y WebODM, logramos una consistencia temporal sobresaliente: determinamos un 45,2% de superficie neta de alfalfa en la primera fecha y un 49,1% en la segunda, con una variación de apenas el 3,9% entre ambos relevamientos”, explicó.

Los resultados permitieron identificar un problema productivo relevante: el lote presentaba un nivel de degradación importante, con una proporción considerable de su superficie sin cobertura útil de alfalfa.

“Además de validar la tecnología, esto nos brindó un diagnóstico agronómico de alerta rápida, al evidenciar un lote degradado donde casi la mitad de la superficie estaba desaprovechada”, agregó Navarro.

Una herramienta accesible para mejorar la productividad

Más allá de los resultados obtenidos en el ensayo, el desarrollo representa una alternativa para mejorar el monitoreo de pasturas sin necesidad de invertir en equipamiento especializado de alto costo.

La combinación de drones comerciales, sensores RGB e inteligencia artificial permite obtener información sobre la cobertura vegetal y detectar situaciones que podrían pasar inadvertidas durante una evaluación visual convencional.

Esta información resulta especialmente valiosa en establecimientos con grandes superficies de alfalfa o en lotes donde la presencia de malezas dificulta determinar el verdadero estado del cultivo.

Además, el uso de herramientas de código abierto facilita el procesamiento de las imágenes y reduce las barreras económicas para incorporar esta metodología.

De esta manera, productores y asesores podrían contar con información más precisa para evaluar la viabilidad productiva de las pasturas, definir estrategias de control de malezas y determinar cuándo resulta conveniente renovar un lote.

El trabajo del INTA concluye que la combinación de sensores accesibles y algoritmos de clasificación supervisada constituye una alternativa robusta para generar alertas tempranas y orientar decisiones agronómicas.

Así, la inteligencia artificial y los drones comerciales se posicionan como herramientas con potencial para mejorar el diagnóstico de los cultivos forrajeros y contribuir a una gestión más eficiente de los recursos productivos.

FUENTE: INTA