Especialistas del INTA Catamarca y Marcos Juárez desarrollaron una metodología que combina imágenes de un dron comercial, cámaras RGB convencionales y algoritmos de Machine Learning para diferenciar alfalfa de malezas incluso cuando ambas están verdes y en activo crecimiento. En un ensayo sobre 3,3 hectáreas, el sistema determinó que la cobertura neta de alfalfa era de apenas 45,2% en el primer relevamiento y 49,1% en el segundo, lo que permitió identificar rápidamente un lote degradado donde casi la mitad de la superficie estaba desaprovechada.
Drones comerciales para evaluar lotes de alfalfa
La productividad de una pastura de alfalfa depende, entre otros factores, de mantener una cobertura uniforme y controlar la competencia generada por las malezas.
Pero determinar con precisión qué proporción de un lote continúa ocupada efectivamente por el cultivo puede resultar difícil cuando las plantas se encuentran en pleno crecimiento.
Frente a ese desafío, especialistas del INTA Catamarca y del INTA Marcos Juárez desarrollaron una herramienta que permite diferenciar la cobertura de alfalfa de la presencia de malezas mediante imágenes obtenidas con drones comerciales y técnicas de clasificación supervisada.
El objetivo es generar información que ayude a determinar si un lote mantiene su viabilidad productiva o si necesita modificaciones de manejo e incluso una renovación.
El desafío: distinguir verde sobre verde
Uno de los principales problemas tecnológicos aparece cuando tanto la alfalfa como las malezas se encuentran verdes.
En ese escenario, denominado “verde sobre verde”, las cámaras ópticas convencionales pueden encontrar dificultades para diferenciar ambas coberturas.
El inconveniente se debe al fuerte solapamiento espectral entre las especies, especialmente cuando no se dispone de bandas infrarrojas.
Las cámaras multiespectrales o térmicas permiten obtener más información, pero su costo puede representar una limitación para productores y asesores.
Por eso, el trabajo del INTA buscó determinar si era posible conseguir resultados consistentes utilizando únicamente sensores RGB convencionales, similares a los que incorporan numerosos drones comerciales.
Una alternativa de menor costo
Laura Cano, especialista del INTA Catamarca y una de las autoras del trabajo, explicó que la accesibilidad económica fue uno de los puntos centrales de la investigación.
“En economías regionales como las del noroeste argentino, el costo de las cámaras multiespectrales suele ser una limitante crítica para asesores y productores”, señaló.
La propuesta fue aprovechar equipamiento disponible en el mercado y complementarlo con herramientas informáticas capaces de analizar las imágenes.
“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”, agregó Cano.
Te puede interesar
Pronóstico de lluvias hasta el 2 de noviembre
Sin retenciones, el agro podría sumar más de 850.000 empleos en 10 años
Argentina puede ganar terreno en las exportaciones agroindustriales hacia 2035
Buenos Aires habilitó usar fondos de caminos rurales en obras hídricas
Brasil va por un récord de maíz: más producción, fuerte demanda de etanol y competencia con Argentina
El barro pone en riesgo descanso, ordeño y alimentación: qué recomiendan para los tambos
Google ahora te deja elegir qué medio ver primero: activá Ruralnet en un click y cambiá tu forma de informarte
El ensayo se realizó sobre 3,3 hectáreas
La experiencia se llevó adelante en un lote de alfalfa de 3,3 hectáreas, ubicado en el Campo Anexo Santa Cruz de la Estación Experimental Agropecuaria Catamarca.
Los investigadores realizaron dos vuelos con un dron DJI Air 3S a 40 metros de altura.
El primer relevamiento se efectuó cuando tanto la alfalfa como las malezas se encontraban en pleno crecimiento.
Era precisamente el escenario más complejo: cultivo y malezas verdes simultáneamente.
Un segundo vuelo permitió validar los resultados
El segundo relevamiento se realizó 45 días después.
Para entonces, la alfalfa había sido cortada y las malezas habían entrado en senescencia.
Esto generó un mayor contraste visual entre las distintas coberturas y permitió utilizar esa segunda imagen como referencia para validar los resultados obtenidos durante la etapa de “verde sobre verde”.
El procesamiento se realizó con el algoritmo CatBoost y mediante plataformas de código abierto como QGIS y WebODM.
Detectaron 45,2% de alfalfa en el primer vuelo
Los resultados mostraron una elevada consistencia entre los dos momentos evaluados.
Carlos Navarro, técnico del INTA Marcos Juárez, explicó que en el primer relevamiento se determinó una superficie neta de alfalfa del 45,2%.
En el segundo vuelo, realizado 45 días después, la cobertura estimada fue de 49,1%.
La diferencia entre ambas evaluaciones fue de apenas 3,9 puntos porcentuales.
“Logramos una consistencia temporal sobresaliente”, destacó Navarro.
Casi la mitad del lote estaba desaprovechada
Más allá de validar la metodología, los datos aportaron un diagnóstico agronómico inmediato.
Si la superficie efectiva de alfalfa se ubicaba entre aproximadamente 45% y 49%, esto indicaba que cerca de la mitad del lote no estaba siendo ocupada por el cultivo productivo esperado.
Navarro señaló que la herramienta permitió detectar rápidamente un lote degradado donde casi la mitad de la superficie estaba desaprovechada.
Ese dato puede resultar determinante para decidir si conviene continuar con el manejo existente, implementar medidas correctivas o avanzar con la renovación de la pastura.
Medir cobertura para decidir mejor
La evaluación visual convencional sigue siendo una herramienta habitual para determinar el estado de una pastura.
Sin embargo, puede resultar insuficiente cuando se trabaja sobre superficies extensas o existe una elevada presión de malezas.
El uso de imágenes aéreas permite obtener una mirada integral del lote y cuantificar con mayor precisión las superficies correspondientes a distintas coberturas.
La información puede transformarse así en mapas y porcentajes concretos, reduciendo la subjetividad del diagnóstico.
Machine Learning aplicado a una cámara convencional
Uno de los aspectos más relevantes del desarrollo es que la precisión no depende exclusivamente del sensor.
La clave está también en la capacidad del algoritmo de clasificar la información contenida en las imágenes.
En este caso, CatBoost permitió entrenar un modelo para reconocer diferencias entre las áreas ocupadas por alfalfa y aquellas correspondientes a otras coberturas vegetales.
De esta manera, una cámara RGB de uso convencional puede generar información agronómica más sofisticada cuando se combina con herramientas de procesamiento adecuadas.
Una tecnología pensada para economías regionales
El enfoque adquiere especial relevancia en establecimientos donde el costo de equipos especializados dificulta la adopción de tecnologías de agricultura de precisión.
Al utilizar un dron comercial y plataformas de código abierto, el esquema busca reducir la barrera de entrada.
La herramienta podría emplearse para realizar diagnósticos periódicos, detectar pérdidas de cobertura y orientar decisiones antes de que la degradación de una pastura avance.
Alertas tempranas para definir el futuro del lote
El trabajo concluye que la combinación de sensores RGB accesibles y algoritmos de clasificación supervisada constituye una alternativa robusta para monitorear alfalfa.
Más que generar una imagen aérea, el objetivo es transformar esa información en una alerta temprana sobre la viabilidad productiva del cultivo.
En el ensayo realizado en Catamarca, el sistema no solo consiguió diferenciar alfalfa de malezas bajo condiciones difíciles de “verde sobre verde”, sino que permitió detectar que casi la mitad de la superficie evaluada no correspondía a cobertura útil del cultivo.
La tecnología abre así una alternativa para que productores y asesores puedan evaluar lotes degradados con herramientas más accesibles y contar con datos objetivos al momento de decidir cómo manejar una pastura o cuándo resulta necesario renovarla.
