RedaccionEl INTA avanza en el desarrollo de herramientas tecnológicas para mejorar el diagnóstico de los cultivos forrajeros. Investigadores de las estaciones experimentales de Catamarca y Marcos Juárez, Córdoba, combinaron imágenes obtenidas con drones comerciales y algoritmos de aprendizaje automático para diferenciar la alfalfa de las malezas, incluso cuando ambas se encuentran verdes y en activo crecimiento.
La tecnología busca ofrecer una alternativa accesible para productores y asesores que necesitan evaluar el estado de los lotes, detectar degradación y definir medidas de manejo o renovación del cultivo.
La alfalfa es una especie forrajera perenne cuya productividad depende, entre otros factores, de mantener una cobertura adecuada y reducir la competencia de las malezas. Por eso, conocer qué proporción del terreno está ocupada efectivamente por el cultivo resulta fundamental para evaluar su viabilidad productiva.
La investigación se basó en el uso de cámaras ópticas convencionales RGB, integradas en drones comerciales, y técnicas de clasificación supervisada mediante algoritmos de aprendizaje automático.
Uno de los principales desafíos fue resolver el problema conocido como “verde sobre verde”: cuando la alfalfa y las malezas crecen simultáneamente, sus características visuales pueden ser similares y dificultan la diferenciación mediante imágenes convencionales.
Para superar esa limitación, los investigadores utilizaron el algoritmo CatBoost, capaz de procesar información y clasificar los elementos identificados en las imágenes.
Laura Cano, especialista del INTA Catamarca y una de las autoras del trabajo, destacó que el costo de las cámaras multiespectrales representa una barrera para numerosos productores y asesores, especialmente en las economías regionales del noroeste argentino.
El objetivo fue demostrar que un dron comercial, combinado con herramientas de aprendizaje automático, puede identificar con precisión la cobertura útil de alfalfa sin necesidad de recurrir a sensores especializados de mayor costo.
La experiencia se realizó en un lote de alfalfa de 3,3 hectáreas, ubicado en el Campo Anexo Santa Cruz de la Estación Experimental Agropecuaria Catamarca.
Los investigadores efectuaron dos vuelos con un dron DJI Air 3S, a 40 metros de altura, en diferentes momentos del ciclo del cultivo.
El primer relevamiento se realizó cuando la alfalfa y las malezas estaban en pleno crecimiento, en un escenario de “verde sobre verde”. El segundo se llevó a cabo 45 días después, tras el corte de la alfalfa y la senescencia de las malezas, condiciones que permitieron generar un contraste visual para validar los resultados.
El procesamiento de las imágenes se realizó con el algoritmo CatBoost y plataformas de código abierto como QGIS y WebODM.
Los resultados permitieron estimar que la superficie neta ocupada por alfalfa representaba el 45,2% del lote en el primer relevamiento y el 49,1% en el segundo.
La diferencia entre ambas mediciones fue de 3,9 puntos porcentuales, un resultado que los investigadores destacaron por su consistencia temporal.
Carlos Navarro, técnico del INTA Marcos Juárez, señaló que el análisis permitió identificar un lote degradado, en el que casi la mitad de la superficie no estaba ocupada efectivamente por alfalfa.
Este diagnóstico aporta información relevante para determinar la condición del cultivo y evaluar alternativas de manejo. La detección temprana de una cobertura reducida puede ayudar a decidir si corresponde ajustar las prácticas agronómicas, controlar las malezas o planificar la renovación del lote.
El trabajo concluyó que la combinación de drones comerciales, sensores RGB y algoritmos de clasificación supervisada constituye una alternativa para monitorear cultivos de alfalfa y generar alertas tempranas sobre su estado productivo.
El uso de herramientas de código abierto también permite reducir las barreras de acceso a estas tecnologías y facilitar su incorporación en sistemas de monitoreo agrícola.
Aunque la experiencia se desarrolló en un lote específico, los resultados muestran el potencial de estas técnicas para complementar las evaluaciones a campo y mejorar la planificación de los recursos forrajeros.
Para la producción ganadera, contar con información más precisa sobre la superficie efectiva de alfalfa puede contribuir a identificar pérdidas de productividad, optimizar el aprovechamiento del forraje y fundamentar decisiones de manejo y renovación. (CampoNoticias)
