Según un equipo de investigación interdisciplinario de Penn State, los sistemas de cultivo sin suelo en invernaderos, conocidos como agricultura en ambiente controlado, prometen mejorar la producción durante todo el año de cultivos especiales de alta calidad.
Por Jeff Mulhollem, Universidad Estatal de Pensilvania
Pero para ser competitivo y sostenible, este método agrícola avanzado requerirá el desarrollo y la implementación de técnicas de agricultura de precisión. Para satisfacer esa demanda, el equipo desarrolló un sistema automatizado de monitoreo de cultivos capaz de proporcionar datos continuos y frecuentes sobre el crecimiento y las necesidades de las plantas, lo que permite una gestión informada de los cultivos.
Su investigación se publica en la revista Computers and Electronics in Agriculture .
«Tradicionalmente, el monitoreo de cultivos en sistemas agrícolas sin suelo en ambientes controlados es una tarea crítica que requiere mucho tiempo y personal especializado», dijo el líder del equipo Long He, profesor asociado de ingeniería agrícola y biológica. «Y los métodos tradicionales de monitoreo de cultivos no permiten la recolección frecuente de datos para capturar la dinámica del crecimiento de las plantas a lo largo del ciclo del cultivo. Los sistemas automatizados de monitoreo de cultivos permiten un monitoreo continuo de las plantas con una recolección frecuente de datos y una gestión más eficiente e informada del cultivo».
En sus hallazgos, los investigadores informaron que un » internet de las cosas » integrado, inteligencia artificial (IA) y un sistema de visión por computadora adaptado a los sistemas de cultivo sin suelo en agricultura en ambientes controlados, permiten el monitoreo y análisis continuo del crecimiento de las plantas durante todo el ciclo de cultivo. Un internet de las cosas, a menudo denominado IoT, es una red de objetos físicos que pueden conectarse e intercambiar datos a través de Internet, vinculando dispositivos que están integrados con sensores, software y otras tecnologías.
Según el equipo, la principal innovación de su investigación es la implementación, por primera vez, de un modelo de segmentación de imágenes recursivo que procesa imágenes secuenciales, capturadas en alta resolución a intervalos de tiempo predeterminados, para rastrear con precisión los cambios en el crecimiento de las plantas. En el estudio, los investigadores probaron su método monitoreando el bok choy bebé, una verdura de hoja comúnmente llamada repollo chino, pero los investigadores dijeron que funcionaría con muchos cultivos diferentes.
Su grupo de investigación en la Facultad de Ciencias Agrícolas, ubicado en el Centro de Investigación y Extensión de Frutas de la Universidad Estatal de Pensilvania en Biglerville, se ha centrado en la agricultura automatizada y de precisión durante más de una década, ideando soluciones robóticas para aplicaciones agrícolas como la recolección de cultivos, la poda de árboles, el aclareo de frutos verdes, la polinización, la calefacción de huertos, la pulverización de pesticidas y el riego. El sistema de visión artificial empleado en esta investigación es un avance de la tecnología que el grupo desarrolló para otros fines en estudios anteriores.
En este estudio, el sistema de visión artificial integrado logró aislar con éxito plantas individuales de pak choi bebé que crecían en un sistema sin suelo, lo que produjo imágenes frecuentes que rastrearon el aumento de la superficie cubierta de hojas a lo largo de su ciclo de crecimiento. Los investigadores afirmaron que el modelo recursivo mantuvo un «rendimiento sólido» y brindó información precisa durante todo el ciclo de crecimiento del cultivo.
Agradeció a Chenchen Kang, un investigador postdoctoral en su laboratorio y primer autor del estudio, por proporcionar la innovación y el trabajo duro necesarios para «enseñar» al sistema de visión por computadora a rastrear el crecimiento de las plantas.
«Chenchen instaló los sensores, recopiló y procesó los datos, desarrolló la metodología e hizo el trabajo de codificación y programación con los modelos de IA», dijo.
La investigación fue un proyecto interdisciplinario entre ingenieros agrícolas y científicos de plantas, y es parte de un proyecto federal más grande titulado «Avanzando en la sostenibilidad de los sistemas agrícolas urbanos de interiores».
Francesco Di Gioia, profesor asociado de ciencias de cultivos vegetales e investigador principal del proyecto general, destacó la importancia de integrar diferentes conocimientos para el desarrollo de soluciones de agricultura de precisión. El enfoque interdisciplinario, sugirió, será cada vez más crítico para avanzar en la eficiencia y la sostenibilidad a largo plazo de los sistemas agrícolas actuales en ambiente controlado.
«La capacidad de monitorear y recopilar automáticamente datos sobre el estado de los cultivos, estimar el crecimiento de las plantas y los requisitos de los cultivos, junto con el monitoreo de la solución nutritiva y de los factores ambientales (radiación, temperatura y humedad relativa ), combinado con el uso de tecnologías de IoT e IA, va a revolucionar la forma en que manejamos los cultivos», dijo Di Gioia. «Minimizar las ineficiencias y mejorar la competitividad de los sistemas agrícolas en ambientes controlados mejorará nuestra seguridad alimentaria y nutricional».
En el futuro, añadió Di Gioia, la integración de tecnologías de agricultura de precisión en sistemas agrícolas de ambiente controlado también puede ofrecer la oportunidad de mejorar la calidad de cultivos especiales e incluso adaptar su perfil nutricional.
Xinyang Mu, quien se graduó con un doctorado en ingeniería agrícola y biológica de Penn State y actualmente es investigador postdoctoral en la Universidad Estatal de Michigan, y Aline Novaski Seffrin, candidata a doctorado en ciencia vegetal, contribuyeron al estudio.
Más información: Chenchen Kang et al, Un modelo de segmentación recursiva para el monitoreo del crecimiento de la col china con tecnología de Internet de las cosas (IoT) en la agricultura en ambientes controlados, Computers and Electronics in Agriculture (2025). DOI: 10.1016/j.compag.2024.109866
