Los mapas de cultivos ayudan a los científicos y formuladores de políticas a rastrear los suministros mundiales de alimentos y estimar cómo podrían cambiar con el cambio climático y el crecimiento demográfico.
por Jennifer Chu, Instituto de Tecnología de Massachusetts
Pero obtener mapas precisos de los tipos de cultivos que se cultivan de granja en granja a menudo requiere estudios sobre el terreno que sólo un puñado de países tienen recursos para mantener.
Ahora, los ingenieros del MIT han desarrollado un método para etiquetar y mapear tipos de cultivos de manera rápida y precisa sin necesidad de evaluaciones en persona de cada granja. El método del equipo utiliza una combinación de imágenes de Google Street View, aprendizaje automático y datos satelitales para determinar automáticamente los cultivos que se cultivan en una región, de una fracción de acre a la siguiente. Su trabajo se publica en el servidor de preimpresión arXiv .
Los investigadores utilizaron la técnica para generar automáticamente el primer mapa de cultivos a nivel nacional de Tailandia, un país de pequeños agricultores donde las pequeñas granjas independientes constituyen la forma predominante de agricultura. El equipo creó un mapa de frontera a frontera de los cuatro principales cultivos de Tailandia (arroz, yuca, caña de azúcar y maíz) y determinó cuál de los cuatro tipos se cultivaba, cada 10 metros y sin espacios, en todo el país. El mapa resultante logró una precisión del 93%, lo que, según los investigadores, es comparable a los esfuerzos de mapeo sobre el terreno en países de altos ingresos y grandes explotaciones agrícolas.
El equipo está aplicando su técnica de mapeo a otros países como la India, donde las pequeñas granjas sustentan a la mayor parte de la población, pero históricamente el tipo de cultivos que se cultivan de una granja a otra ha sido pobremente registrado.
“Es una brecha de larga data en el conocimiento sobre lo que se cultiva en todo el mundo”, dice Sherrie Wang, profesora asistente de desarrollo profesional d’Arbeloff en el Departamento de Ingeniería Mecánica del MIT y el Instituto de Datos, Sistemas y Sociedad (IDSS). “El objetivo final es comprender los resultados agrícolas, como el rendimiento, y cómo cultivar de manera más sostenible. Uno de los pasos preliminares clave es mapear lo que se está cultivando; cuanto más detalladamente se pueda mapear, más preguntas se podrán responder”.
Wang, junto con el estudiante graduado del MIT Jordi Laguarta Soler y Thomas Friedel de la empresa de tecnología agrícola PEAT GmbH, presentarán un artículo que detalla su método de mapeo a finales de este mes en la Conferencia AAAI sobre Inteligencia Artificial .
verdad fundamental
Las pequeñas explotaciones suelen estar dirigidas por una sola familia o un agricultor, que subsiste con los cultivos y el ganado que crían. Se estima que las pequeñas explotaciones agrícolas sustentan a dos tercios de la población rural del mundo y producen el 80% de los alimentos del mundo. Controlar qué se cultiva y dónde es esencial para rastrear y pronosticar el suministro de alimentos en todo el mundo. Pero la mayoría de estas pequeñas explotaciones se encuentran en países de ingresos bajos y medios, donde se dedican pocos recursos a realizar un seguimiento de los tipos de cultivos y rendimientos de las explotaciones individuales.
Los esfuerzos de mapeo de cultivos se llevan a cabo principalmente en regiones de altos ingresos como Estados Unidos y Europa, donde las agencias agrícolas gubernamentales supervisan los estudios de cultivos y envían asesores a las granjas para etiquetar los cultivos de un campo a otro. Estas etiquetas de “verdad sobre el terreno” luego se introducen en modelos de aprendizaje automático que establecen conexiones entre las etiquetas sobre el terreno de cultivos reales y las señales satelitales de los mismos campos. Luego etiquetan y mapean franjas más amplias de tierras agrícolas que los evaluadores no cubren pero que los satélites sí cubren automáticamente.
“Lo que falta en los países de ingresos bajos y medios es esta etiqueta terrestre que podamos asociar a las señales de satélite”, afirma Laguarta Soler. “En primer lugar, conseguir estas verdades básicas para entrenar un modelo ha sido limitado en la mayor parte del mundo”.
El equipo se dio cuenta de que, si bien muchos países en desarrollo no tienen los recursos para realizar estudios de cultivos, podrían utilizar otra fuente de datos terrestres: imágenes al borde de las carreteras, capturadas por servicios como Google Street View y Mapillary, que envían automóviles a lo largo de una región para Tome imágenes continuas de 360 grados con cámaras para salpicadero y cámaras en el tejado.
En los últimos años, estos servicios han podido acceder a países de ingresos bajos y medios. Si bien el objetivo de estos servicios no es específicamente capturar imágenes de cultivos, el equipo del MIT vio que podían buscar imágenes al borde de la carretera para identificar cultivos.
Imagen recortada
En su nuevo estudio, los investigadores trabajaron con imágenes de Google Street View (GSV) tomadas en toda Tailandia, un país que el servicio ha fotografiado recientemente con bastante detalle y que se compone predominantemente de pequeñas granjas.
A partir de más de 200.000 imágenes de GSV tomadas al azar en toda Tailandia, el equipo filtró imágenes que representaban edificios, árboles y vegetación en general. Alrededor de 81.000 imágenes estaban relacionadas con cultivos. Reservaron 2.000 de estos, que enviaron a un agrónomo, quien determinó y etiquetó a ojo cada tipo de cultivo.
Luego entrenaron una red neuronal convolucional para generar automáticamente etiquetas de cultivos para las otras 79.000 imágenes, utilizando varios métodos de entrenamiento, incluido iNaturalist, una base de datos de biodiversidad basada en la web, y GPT-4V, un “modelo de lenguaje grande multimodal” que permite al usuario para ingresar una imagen y pedirle al modelo que identifique lo que representa la imagen. Para cada una de las 81.000 imágenes, el modelo generó una etiqueta de uno de los cuatro cultivos que probablemente representaba la imagen: arroz, maíz, caña de azúcar o mandioca.
Luego, los investigadores emparejaron cada imagen etiquetada con los datos satelitales correspondientes tomados del mismo lugar durante una sola temporada de crecimiento. Estos datos satelitales incluyen mediciones en múltiples longitudes de onda, como el verdor de un lugar y su reflectividad (que puede ser una señal de agua).
“Cada tipo de cultivo tiene una característica determinada en estas diferentes bandas, que cambia a lo largo de la temporada de crecimiento”, señala Laguarta Soler.
El equipo entrenó un segundo modelo para hacer asociaciones entre los datos satelitales de una ubicación y su etiqueta de cultivo correspondiente. Luego utilizaron este modelo para procesar datos satelitales tomados del resto del país, donde las etiquetas de cultivos no se generaron o no estaban disponibles. A partir de las asociaciones que aprendió el modelo, asignó etiquetas de cultivos en toda Tailandia, generando un mapa de tipos de cultivos en todo el país, con una resolución de 10 metros cuadrados.
Este mapa de cultivos, el primero de su tipo, incluía ubicaciones correspondientes a las 2.000 imágenes de GSV que los investigadores reservaron originalmente y que fueron etiquetadas por los arbolistas. Estas imágenes etiquetadas por humanos se utilizaron para validar las etiquetas del mapa, y cuando el equipo miró para ver si las etiquetas del mapa coincidían con las etiquetas de “estándar de oro” de los expertos, lo hizo el 93% de las veces.
“En EE.UU., también estamos viendo una precisión de más del 90%, mientras que en trabajos anteriores en la India, solo hemos visto un 75% porque las etiquetas terrestres son limitadas”, dice Wang. “Ahora podemos crear estas etiquetas de forma económica y automatizada”.
Los investigadores están trabajando para mapear cultivos en toda la India, donde recientemente están disponibles imágenes al borde de la carretera a través de Google Street View y otros servicios.
“Hay más de 150 millones de pequeños agricultores en la India”, afirma Wang. “La India está cubierta de agricultura, casi granjas de pared a pared, pero granjas muy pequeñas, e históricamente ha sido muy difícil crear mapas de la India porque hay muy pocas etiquetas de terreno”.
El equipo está trabajando para generar mapas de cultivos en la India, que podrían usarse para informar políticas relacionadas con la evaluación y el aumento de los rendimientos, a medida que aumentan las temperaturas y las poblaciones globales.
“Lo que sería interesante sería crear estos mapas a lo largo del tiempo”, afirma Wang. “Entonces se podrían empezar a ver tendencias, y podemos intentar relacionar esas cosas con cualquier cosa, como cambios en el clima y las políticas”.
Más información: Jordi Laguarta Soler et al, Combinando aprendizaje profundo e imágenes de Street View para mapear tipos de cultivos de pequeños agricultores, arXiv (2023). DOI: 10.48550/arxiv.2309.05930
