El estudio apunta a posibles mejoras en las tecnologías de detección de malezas


La detección e identificación de malas hierbas al principio de la temporada de crecimiento es fundamental para un control eficaz de las malas hierbas. 


Al hacerlo, los productores pueden desarrollar planes de manejo específicos del sitio que reducen la pérdida de cultivos y minimizan la necesidad de herbicidas y labranza. Desafortunadamente, sin embargo, explorar los campos en busca de nuevas malezas puede llevar mucho tiempo.

En un artículo publicado en la revista Weed Science , los científicos dicen que los UAV y otras herramientas de detección remota pueden ayudar, especialmente si se ajustan para reflejar las condiciones cambiantes en el campo.

Un equipo de investigación de la universidad tomó medidas para hacer avanzar la tecnología al explorar cómo las variaciones en la densidad de malezas y las condiciones ambientales dentro y entre las temporadas de crecimiento pueden afectar los resultados de la detección remota. Se sembraron parcelas de prueba con densidades variables de amaranto Palmer y garranchuelo grande, dos malas hierbas comunes en los cultivos de soja. Algunos fueron sembrados con diferentes densidades de soja y otros sin ella.

Después de monitorear las parcelas durante un período de dos años, los investigadores determinaron que los reflejos de luz utilizados por las tecnologías de detección para detectar e identificar las malas hierbas son dinámicos. Fluctúan a lo largo y entre las temporadas de crecimiento debido a las precipitaciones variables y otros cambios ambientales. También se demostró que las propiedades reflectantes varían según la especie de maleza y la densidad de maleza.

“Al comprender estas diferencias en la magnitud de la luz y en cómo se absorbe o refleja, los desarrolladores pueden ajustar los algoritmos de inteligencia artificial y las plataformas de sensores para diferenciar mejor entre especies de cultivos y malezas”, dice Nicholas Basinger, Ph.D., de la Universidad. de Georgia, quien dirigió el equipo de investigación.  

Para obtener más información, lea el artículo “Detección de palmero amaranto ( Amaranthus palmeri ) y garranchuelo grande ( Digitaria sanguinalis ) con sensores remotos hiperespectrales in situ: Efectos de la densidad de malezas y la presencia de soja (Glycine max)”

Fuente: Weed Science Society of America