El servicio de investigación agrícola del USDA reúne cámaras, datos de campo e inteligencia artificial para identificar malezas, estrés vegetal y enfermedades
Redacción: Redacción Mundo Agropecuario
Editor: Karem Díaz S.
El Servicio de Investigación Agrícola de Estados Unidos (ARS) está desarrollando una plataforma para convertir imágenes tomadas en los campos en información útil para el manejo de los cultivos. El proyecto, llamado Digital Agricultural Systems Hub (DASH), combina datos de satélites, drones, robots y maquinaria agrícola con modelos de inteligencia artificial. Su objetivo es ayudar a investigadores y productores a reconocer problemas localizados y responder con mayor rapidez.
Entre las aplicaciones que estudia el ARS figuran la identificación de malezas, el seguimiento del estrés de las plantas y la elaboración de mapas de enfermedades. El proyecto aborda una dificultad habitual en la agricultura de precisión: reunir datos del campo y convertirlos en decisiones de manejo que puedan aplicarse a distintas parcelas.
Una biblioteca de imágenes para reconocer plantas en el campo
Una pieza central de DASH es el Repositorio Nacional de Imágenes Agrícolas, denominado AgIR. Según el ARS, esta biblioteca abierta y alojada en la nube contiene más de 50 terabytes de imágenes de alta resolución de cultivos y malezas, acompañadas de información descriptiva. Esos registros sirven para entrenar sistemas capaces de distinguir plantas y detectar señales de estrés en condiciones agrícolas.
Para ampliar la colección, los investigadores utilizan BenchBot, un sistema automatizado y modular de cámaras que captura imágenes de plantas y facilita su etiquetado. La calidad y variedad de esas fotografías son relevantes: las sombras, el follaje superpuesto y los cambios de luz pueden dificultar el reconocimiento de síntomas, como muestra un trabajo sobre enfermedades del tomate basado en imágenes tomadas directamente en el campo.
De la cámara experimental a la maquinaria agrícola
El ARS también desarrolla ModCam, una cámara modular que puede instalarse en equipos agrícolas, incluidas las barras de pulverización. Mediante modelos entrenados con las imágenes de AgIR, el sistema busca identificar y cartografiar plantas en ensayos de mejoramiento, parcelas de investigación y explotaciones. Esta transición desde la recopilación de datos hasta su uso sobre la maquinaria es una parte fundamental del proyecto.
El seguimiento visual puede aportar información distinta de la obtenida por sensores de suelo o mediciones fisiológicas. Por ejemplo, otra investigación sobre la transpiración de los cultivos y la gestión del riego utiliza registros de plantas y variables ambientales para estudiar sus necesidades de agua. En DASH, el énfasis está en reconocer y ubicar lo que muestran las imágenes del terreno.
Malezas, nitrógeno y sanidad vegetal entre las aplicaciones
Los responsables de DASH trabajan en el uso de visión artificial para estudiar el manejo del nitrógeno asociado con cultivos de cobertura y para localizar malezas tanto en parcelas experimentales como en campos de productores. También colaboran con asociaciones de remolacheros en Fargo, Dakota del Norte, para investigar cómo cartografiar la cercosporiosis de la remolacha en tiempo real.
Estas líneas de trabajo describen objetivos de investigación y desarrollo; el ARS no presenta resultados que permitan afirmar que DASH ya ha reducido los costos o las pérdidas por enfermedades en las explotaciones. Su utilidad dependerá de que los modelos funcionen bajo diferentes condiciones de cultivo y de que la información llegue al productor en una forma que apoye sus decisiones. La necesidad de probar la visión artificial en condiciones reales también aparece en otros sistemas de seguimiento del crecimiento vegetal.
El procesamiento de los datos y modelos de DASH se realiza mediante SCINet, la infraestructura informática del USDA para investigación a gran escala. El ARS plantea que la combinación de imágenes compartidas, herramientas abiertas y dispositivos instalados en el campo permita trasladar avances de sus laboratorios a aplicaciones agrícolas más amplias.
Fuente referencial:
Servicio de Investigación Agrícola del USDA (ARS)
