Utilizando una combinación de drones y técnicas de aprendizaje automático, los investigadores de la Universidad Estatal de Ohio desarrollaron recientemente un método novedoso para determinar la salud de los cultivos y lo utilizaron para crear una nueva herramienta que puede ayudar a los futuros agricultores.
por Tatyana Woodall, Universidad Estatal de Ohio
Publicado en la revista Computers and Electronics in Agriculture, el estudio investiga el uso de redes neuronales para ayudar a caracterizar la defoliación de un cultivo o la pérdida generalizada de hojas en una planta. Esta destrucción puede ser causada por enfermedades, estrés, animales que pastan y, más a menudo, por infestaciones de insectos y otras plagas.
Si no se controlan, los campos de cultivo completos pueden terminar dañados, lo que reduce drásticamente la productividad agrícola de toda una región. Para combatir esto, los investigadores optaron por analizar un cultivo comercial considerado uno de los cuatro alimentos básicos de la agricultura mundial: la soja.
Entre agosto y septiembre de 2020, Zichen Zhang, autor principal del estudio y estudiante graduado en informática e ingeniería en el estado de Ohio, utilizó un vehículo aéreo no tripulado (UAV), o un dron, para tomar imágenes aéreas de cinco campos de soja en Ohio. Después de recortar cada imagen de UAV en imágenes más pequeñas, el equipo finalmente tuvo más de 97,000 fotos que pudieron etiquetar como sanas o sin hojas.
“La soja es uno de los productos agrícolas más importantes de Estados Unidos, ya sea en las exportaciones o en otros productos alimenticios”, dijo. Según el USDA, Estados Unidos es el principal productor de soja del mundo y su segundo exportador. Sin embargo, los agricultores nacionales están compitiendo para mantenerse al día con la demanda: el año pasado, se proyectó que se plantarían más de 90 millones de acres de cultivos de soja para satisfacer las necesidades de los consumidores.
Debido a que la soya es una fuente importante de aceite, alimentos y proteínas en muchas áreas del mundo, una caída potencial en la producción de soya en los EE. UU. podría tener profundas consecuencias. Pero el estudio de Zhang, uno de los primeros en emplear tecnologías no invasivas para caracterizar la salud de los cultivos a gran escala, puede ayudar a evaluar la probabilidad de una caída en la producción debido a la defoliación.
“La defoliación de la soja es un problema muy típico, pero es uno que podemos abordar”, dijo Zhang.
Después de examinar manualmente las imágenes recopiladas, los investigadores descubrieron que alrededor de 67 000 de ellas podían etiquetarse como saludables, mientras que casi 30 000 mostraban signos variables de defoliación, una proporción superior a 2 a 1. Luego usaron este conjunto de datos para comparar la capacidad de múltiples algoritmos de aprendizaje para inferir correctamente qué cultivos fueron defoliados y evitar hacer suposiciones incorrectas sobre cultivos de soja saludables.
Pero después de concluir que ninguno de los clasificadores de aprendizaje podía ofrecer la precisión que querían lograr, los investigadores decidieron crear su propia herramienta de aprendizaje profundo desde cero. Este producto final se llama Defonet, una red neuronal capaz de investigar y responder correctamente a las preguntas de defoliación originales del estudio. “Esta nueva arquitectura se adapta a esta carga de trabajo”, dijo Zhang. “Tiene un mejor rendimiento que las herramientas actualmente disponibles en exactitud, precisión y eficacia”.
Si se adopta en el campo, Defonet puede transformar el proceso de toma de decisiones de la industria agrícola para lidiar con pérdidas severas de cultivos, según el coautor del estudio, Christopher Stewart, profesor asociado de informática e ingeniería.
“En los próximos años, tendremos que aumentar sustancialmente la producción de alimentos para satisfacer la demanda”, dijo Stewart. “La idea detrás de la agricultura digital es utilizar la informática y otras tecnologías para asegurarse de que cada semilla plantada crezca de la manera más eficaz posible”.
