Hierba mala sí muere, algoritmo identificaría mejor la maleza en cultivos


En Colombia se utilizan herbicidas químicos para eliminar la maleza en papa, maíz, algodón o trigo; sin embargo, estos se aplican en todo el terreno, sin importar el impacto sobre las plantas del cultivo. Esto se da porque no hay una caracterización precisa que permita saber dónde está la afectación. Un algoritmo podría identificar y localizar la maleza de manera más precisa.



La maleza, o mala hierba, es una planta silvestre que nace de manera espontánea y no deseada en los cultivos; genera un impacto en las demás plantas porque compite por luz, nutrientes y agua, afectando su rendimiento y calidad.

Se estima que en el mundo este problema genera pérdidas anuales para los agricultores de alrededor de 100.000 millones de dólares, y daña cerca del 30 % de cultivo de papa, 37 % de algodón y 23 % de trigo. En la actualidad existen unas 253 especies de maleza resistentes a los herbicidas, por lo que identificarlas y eliminarlas lo más pronto posible representa un reto.

Al ver que en Colombia aún no se están implementando estrategias que eviten tener que rociar con herbicidas todo el cultivo, el ingeniero mecatrónico Víctor Alfonso Arias, estudiante de la Maestría en Ingeniería de Sistemas y Computación de la Universidad Nacional de Colombia (UNAL), buscó estudios de otros lugares del mundo en donde se estuvieran utilizando técnicas con drones e inteligencia artificial.

Su objetivo: diseñar un algoritmo que pueda evaluar de manera más precisa la maleza en los cultivos, y que en un futuro se pueda usar en el país.

Para este fin, tomó como referencia a Weedmap, una base de datos suiza de 2020 que contiene 403 carpetas con imágenes en detalle del cultivo de remolacha en 16.500 m2 en esa región, y que le permitió evaluar el algoritmo que diseñó en el lenguaje de programación Python, el cual superó lo que se había encontrado allí en cuanto a variables como el área bajo la curva, que determina la posición en donde se encuentra la maleza.

Inteligencia artificial aplicada en cultivos

En el aprendizaje profundo –un campo de la inteligencia artificial– se evalúan algunas variables en rangos que van entre 0 (nada eficaz) y 1 (muy eficaz). En el caso del área bajo la curva, el algoritmo tuvo un promedio de 0,95, mientras que lo encontrado en investigaciones pasadas tenía 0,82, lo cual evidencia una mejora significativa en la identificación.

Según el estudiante, esta eficacia se dio, en parte, gracias al uso de imágenes multiespectrales, lo que quiere decir que se usan 9 canales (bandas de espectro de luz) que permiten ver características de las plantas que una cámara convencional o el ojo humano no logran ver, lo cual genera mapas de maleza en los cultivos más precisos.

Por otro lado, el experto señala que el algoritmo, que en este caso es una red neuronal artificial, utilizó el modelo de programación de Cloud (TPU), que evalúa los parámetros más rápidamente, y que en la base de datos internacional no se usó; además de evaluar algunas variables específicas de este campo, como la segmentación de la imagen, el índice de Jaccard o el coeficiente de Dice, que sirven para evaluar el proceso de manera completa.

“Por el momento no es posible contrastar estas variables ya que no se habían considerado para el campo específico de la maleza en cultivos, pero es importante estudiarlas, ya que brindan más herramientas para que en un futuro se puedan implementar estos modelos en el país, disminuyendo el daño a las plantas y los costos asociados con la aspersión de herbicidas en todo el cultivo”, asegura el magíster.

Añade que “estos hallazgos son innovadores porque el manejo de la maleza por medio de estos algoritmos es un campo que no se ha estudiado mucho, y que en Colombia aún es difícil, ya que no se cuenta con los recursos para adquirir la tecnología y la capacitación para llevar a cabo esta actividad”.

Mapeo de zona

La metodología para recolectar datos en estos modelos tiene varios pasos, el primero consiste en mapear la zona por medio de un dron, a una altura de 10 m, para que con la cámara multiespectral se tomen varias fotos del terreno y el cultivo, que luego un software une en un gran mapa (ortomosaico).

Por último, una serie de expertos le asignan colores a cada pixel de las imágenes, dependiendo de si contiene o no maleza (rojo), si es una planta del cultivo (verde) o todo lo demás alrededor (negro); así se obtiene una imagen como la del gran mapa, pero solo con los colores, que representan la ubicación de cada uno de los objetos de interés que el algoritmo debe identificar.

“Este mapa puede ser un insumo importante para que una persona o un robot pueda localizar y eliminar de manera precisa los focos de la maleza en el cultivo sin tener que gastar más herbicida, el cual, por no aplicarse de manera precisa, puede dañar todo el desarrollo natural del cultivo”, concluye el investigador.