Investigadores de la Universidad de Cambridge probaron Tessera, un modelo de inteligencia artificial capaz de clasificar cultivos en parcelas pequeñas con menos cómputo que los métodos actuales.
Redactor: Luis Ortega
Editor: Karem Díaz S.
Las pequeñas fincas producen una parte importante de los alimentos del mundo, pero desde el espacio siguen siendo difíciles de detectar. Sus parcelas suelen ser reducidas, irregulares y mal definidas, mientras que muchas herramientas satelitales fueron diseñadas para campos grandes y uniformes de la agricultura industrial.
Una investigación del Department of Computer Science and Technology de la Universidad de Cambridge plantea que un modelo de inteligencia artificial llamado Tessera podría ayudar a corregir esa brecha. La herramienta fue entrenada con años de imágenes satelitales y puede adaptarse a distintas tareas de monitoreo agrícola.
El problema de las parcelas pequeñas
Los sistemas actuales de cartografía agrícola funcionan mejor cuando los campos tienen límites claros y superficies extensas. En parcelas subhectáreas, como las que sostienen a muchos hogares rurales vulnerables, un solo píxel satelital puede mezclar dos cultivos, un camino o un seto.
Madeline Lisaius, autora principal del estudio y exinvestigadora doctoral en Cambridge, explicó que los campos más pequeños son casi todo borde. Esa condición los vuelve prácticamente invisibles para métodos que dependen de observar el interior del campo para definir el tipo de cultivo.
El desafío es relevante para la agricultura de subsistencia, donde los productores trabajan superficies reducidas y dependen de una lectura precisa del clima, el suelo y los cultivos para sostener la seguridad alimentaria familiar.
Tessera convierte imágenes en señales estacionales
Tessera transforma imágenes satelitales sin procesar en resúmenes numéricos compactos, llamados embeddings. Estos resúmenes capturan cómo cambia una porción de terreno a lo largo de las estaciones, en lugar de depender de una sola imagen ruidosa.
Ese enfoque permite obtener señales más confiables incluso en los bordes de los campos, donde la clasificación suele fallar. Los investigadores consideran que la ventaja de Tessera está en seguir la evolución anual del terreno y no solo una fotografía puntual del cultivo.
La investigación se relaciona con el avance de la agricultura de precisión con IA, donde satélites, sensores y modelos computacionales se combinan para observar la salud de los cultivos y anticipar decisiones de manejo.
Prueba en campos pequeños de Austria
El modelo fue probado en campos pequeños de Austria. En esas pruebas, Tessera identificó la mayoría de los tipos de cultivo con mayor precisión que los métodos utilizados actualmente.
Además, lo hizo usando solo el 8 % de la potencia informática que requieren esos métodos y sin necesidad de ajustes manuales especializados. Para organismos públicos y agencias internacionales, esa reducción de costo computacional puede ser importante si se busca monitorear cultivos a escala nacional o continental.
El uso de imágenes satelitales y algoritmos de aprendizaje automático ya se aplica en otros desarrollos agrícolas, como la detección satelital de daños en cultivos mediante mapas de alta resolución.
Seguridad alimentaria y planificación pública
Los mapas satelitales de cultivos son utilizados por instituciones que planifican políticas de seguridad alimentaria, entre ellas la Organización de las Naciones Unidas para la Alimentación y la Agricultura, el Banco Mundial y gobiernos nacionales.
La vigilancia terrestre de todas las pequeñas parcelas de un país resulta impracticable. Por eso, incluso una mejora modesta en precisión puede influir en decisiones sobre importación de alimentos, previsión de déficits y respuesta ante posibles crisis.
Lisaius planteó que, cuando las decisiones se toman a escala de país o continente, la precisión en la clasificación agrícola puede marcar diferencias importantes para la seguridad alimentaria y la planificación.
Una tecnología prometedora, pero aún no inmediata
El trabajo será presentado en ISPRS 2026, una conferencia geoespacial en Toronto, en julio. El artículo científico, titulado Towards Improved Crop Type Classification: a Compact Embedding Approach Suitable for Small Fields, aparece en ISPRS Annals of the Photogrammetry, Remote Sensing and Spatial Information Sciences.
Los investigadores advierten que, aunque las pruebas en Austria demuestran la eficacia de la tecnología, su uso para guiar decisiones reales de política alimentaria aún está a varios años de distancia. En escenarios operativos intervienen otros factores, como calidad de datos, infraestructura institucional, validación local y capacidad de adopción.
La aplicación práctica de herramientas digitales en el campo requiere también considerar la confianza de los agricultores y las condiciones de uso, un debate que aparece en el avance de la inteligencia artificial en la agricultura.
Pequeñas fincas en el mapa agrícola global
La promesa de Tessera es que las parcelas pequeñas dejen de ser zonas borrosas dentro de los mapas agrícolas globales. Si la tecnología logra escalarse, podría ofrecer una lectura más precisa de los cultivos que sostienen a comunidades rurales vulnerables y a regiones donde la seguridad alimentaria depende de campos diminutos.
El avance no sustituye el conocimiento local ni la observación de campo, pero puede complementar los sistemas de monitoreo público. En ese punto, la IA satelital abre una posibilidad concreta: integrar mejor a los pequeños productores en los datos que orientan decisiones sobre cosechas, alimentos y riesgo agrícola.
La inclusión de estos productores en políticas y herramientas de seguimiento resulta clave, como muestra el debate sobre el papel de los pequeños agricultores en los sistemas alimentarios.
Fuente(s) referenciales
