Inteligencia artificial al servicio del riego: el INTA detecta pivotes centrales desde el espacio
Un equipo de investigadores del INTA desarrolló y adaptó una metodología innovadora que permite identificar de forma automática los sistemas de riego por pivote central a partir de imágenes satelitales de alta resolución. El avance representa un paso concreto hacia sistemas de monitoreo agrícola más precisos, rápidos y confiables, con impacto directo en la planificación productiva del campo argentino.
Mediante la combinación de imágenes Sentinel-2 y modelos avanzados de inteligencia artificial, los especialistas lograron detectar los característicos círculos de riego que se multiplican año tras año en el norte de la provincia de Buenos Aires. El desarrollo mejora sustancialmente la manera de registrar y analizar la expansión del riego presurizado en regiones agrícolas intensivas.
“Pudimos automatizar una tarea que antes demandaba horas de interpretación manual y que hoy se resuelve con un algoritmo entrenado para reconocer patrones circulares en escenarios complejos”, explicó Néstor Barrionuevo, investigador del Instituto de Clima y Agua del INTA. El trabajo se enmarca dentro del programa AgTech, orientado a incorporar tecnologías digitales a la investigación agropecuaria.
A diferencia de otros modelos diseñados para ambientes áridos, esta metodología fue ajustada para funcionar en zonas con alta cobertura vegetal, como la pampa húmeda. “El desafío fue demostrar que la inteligencia artificial también puede desempeñarse con eficiencia en regiones agrícolas donde los contrastes son sutiles y la vegetación es continua”, señaló Barrionuevo.
Te puede interesar
- Pronóstico de lluvias hasta el 19 de enero
- La lechería sigue cayendo: menos tambos y más concentración
- Cuánto rinde hoy producir en el campo: el “poder de compra” pone bajo la lupa a granos, ganadería y yerba mate
- Estados Unidos activa un salvataje agrícola millonario, pero el campo advierte que no alcanza
- China ajusta el tablero de la carne y Argentina sale beneficiada: más cupo, pero con aranceles más duros
- Alerta global: ¿Qué evalúa el agronegocio tras la captura de Maduro?
Los resultados reflejan una adopción sostenida del riego por pivote central: la cantidad de sistemas detectados pasó de 110 en 2016 a 285 en 2023. Además, el modelo alcanzó un F1-Score del 73,2 %, un nivel de precisión considerado sólido para un paisaje agrícola homogéneo.
El desarrollo se apoyó en el modelo Grounding DINO, que integra visión por computadora con descriptores textuales, permitiendo aprovechar modelos de lenguaje previamente entrenados. A su vez, el análisis incorporó índices espectrales como NDVI, EVI2 y WRI, claves para resaltar los patrones circulares asociados a los cultivos bajo riego.
Para Sofía Havrylenko, especialista en teledetección aplicada del INTA, “la integración de imágenes satelitales con inteligencia artificial permitió construir una cartografía mucho más precisa y dinámica”. Además, destacó que esta combinación “abre la puerta a herramientas de monitoreo simples, actualizadas y de uso directo para los productores”.
El desempeño del modelo mostró variaciones según el índice espectral y la zona analizada, lo que permitió optimizar la metodología de manera localizada. En Salto, el índice EVI2 ofreció los mejores resultados, mientras que en Pergamino y Bartolomé Mitre el mayor nivel de detección se logró con WRI.
Uno de los aportes más relevantes del trabajo es la posibilidad de contar con un registro actualizado del crecimiento del riego presurizado. En los partidos de Rojas, Salto, Pergamino y Bartolomé Mitre, el análisis evidenció una evolución constante entre 2016 y 2023. En Rojas, por ejemplo, se pasó de 25 sistemas detectados a 102, mientras que en Bartolomé Mitre el mayor salto se produjo entre 2022 y 2023, con 26 nuevos equipos identificados.
“Disponer de información precisa sobre dónde están los sistemas de riego y cómo evolucionan permite mejorar la planificación y tomar decisiones más informadas”, subrayó Barrionuevo. Desde el programa AgTech remarcaron que esta línea de trabajo es prioritaria por su aporte estratégico al uso de la inteligencia artificial en la gestión territorial y el acompañamiento técnico a productores y gobiernos locales.
En términos técnicos, el modelo alcanzó una exactitud del 98,31 % y una precisión del 98,39 %, valores considerados muy altos para una primera aplicación en una región húmeda. Si bien aún resta mejorar la sensibilidad del método, el desempeño general fue ampliamente satisfactorio.
“El próximo paso es profundizar el uso de Deep Learning para afinar la detección y avanzar hacia una caracterización integral de cada equipo de riego”, adelantó Barrionuevo. En la misma línea, Havrylenko concluyó: “Estamos convencidos de que esta tecnología tiene un enorme potencial para transformarse en un servicio operativo y accesible para quienes toman decisiones en el territorio”.
Fuente: INTA Informa
