La herramienta BINN fue 50 veces más rápida que sus predecesoras y mantuvo una precisión comparable al estimar reservas en Estados Unidos
Redactor: Javier Morales O.
Editor: Eduardo Schmitz
Un equipo de la Universidad de Cornell, en Estados Unidos, desarrolló un modelo de inteligencia artificial que analiza los procesos responsables del almacenamiento de carbono orgánico en el suelo con una velocidad de cálculo 50 veces mayor que la de herramientas anteriores. El avance puede ayudar a estudiar fenómenos biogeoquímicos que todavía no se comprenden completamente.
El modelo, denominado Red Neuronal Informada por Biogeoquímica o BINN, fue probado con datos correspondientes a los Estados Unidos continentales. Sus estimaciones de las cantidades de carbono orgánico alcanzaron una precisión similar a la de modelos precedentes y mostraron una reducción de los sesgos espaciales entre regiones.
La investigación fue publicada en 2026 en la revista Geoscientific Model Development. El trabajo ofrece una prueba de concepto sobre una modalidad de inteligencia artificial que no se limita a detectar patrones: incorpora principios científicos para estimar procesos biológicos difíciles de observar directamente.
BINN combina datos con conocimientos sobre el suelo
Los sistemas de inteligencia artificial convencionales pueden encontrar asociaciones estadísticas dentro de grandes volúmenes de información. BINN añade a ese procedimiento conocimientos sobre la circulación del carbono entre las plantas, los microorganismos, la materia orgánica y la atmósfera.
Las plantas capturan dióxido de carbono durante la fotosíntesis y utilizan ese elemento para formar hojas, tallos y raíces. Cuando los tejidos mueren, los residuos vegetales se incorporan al terreno y comienzan a ser transformados por organismos y procesos físicos y químicos.
Una parte del carbono vuelve a la atmósfera, mientras otra puede permanecer en el suelo durante períodos variables. Aunque las etapas generales son conocidas, todavía existen incertidumbres sobre la rapidez de la descomposición, el número de procesos involucrados y la proporción de carbono que logra estabilizarse.
BINN utiliza los datos disponibles para estimar cuantitativamente esas velocidades e identificar factores que podrían controlar el proceso. La propuesta se suma a otras investigaciones sobre la aplicación de inteligencia artificial en la ciencia del suelo, donde la complejidad biológica y territorial dificulta las predicciones.
Un cálculo 50 veces más rápido
Al comparar BINN con modelos anteriores, los investigadores comprobaron que la nueva herramienta completaba sus operaciones 50 veces más rápido. Esta eficiencia permite repetir simulaciones, probar hipótesis y evaluar grandes territorios con un menor costo computacional.
La mayor velocidad no produjo una pérdida importante de precisión. Las estimaciones de carbono orgánico fueron muy similares a las obtenidas con los modelos empleados como referencia, según los resultados del estudio.
La herramienta también redujo el sesgo espacial. Algunos métodos anteriores podían representar mejor unas zonas que otras debido a la distribución desigual de las observaciones utilizadas durante su desarrollo. BINN presentó resultados más equilibrados dentro del territorio evaluado.
Esta característica es importante porque dos suelos sometidos a prácticas agrícolas semejantes pueden almacenar cantidades diferentes de carbono. La textura, la mineralogía, las precipitaciones, la temperatura, la vegetación y la actividad microbiana modifican su comportamiento.
Los microorganismos regulan la transformación del carbono
Las bacterias, los hongos y otros organismos participan en la descomposición de los residuos que llegan al suelo. Durante ese proceso utilizan parte del carbono, generan biomasa y liberan dióxido de carbono mediante la respiración.
Los restos de los propios microorganismos también pueden incorporarse a la materia orgánica y quedar protegidos dentro de agregados o asociados con minerales. Por esa razón, la cantidad de carbono presente depende de un equilibrio entre formación, transformación, estabilización y pérdida.
Un estudio anterior sobre la formación y estabilidad del carbono orgánico mostró que los agregados y minerales cumplen una doble función: protegen la materia orgánica, pero también pueden restringir el acceso de los microorganismos a sus fuentes de alimento.
Estas interacciones explican por qué una medición general no revela automáticamente la duración del almacenamiento. Dos terrenos con cantidades semejantes pueden contener fracciones de carbono con diferentes niveles de estabilidad y tiempos de permanencia.
La actividad biológica también cambia según el uso del territorio. Investigaciones sobre microorganismos y carbono en regiones hiperáridas han encontrado mecanismos distintos en terrenos agrícolas, pastizales, áreas desérticas y zonas sometidas a restauración.
El carbono influye en la productividad agrícola
Los suelos contienen aproximadamente tres cuartas partes del carbono presente en los ecosistemas terrestres. Sus reservas superan, en conjunto, las cantidades almacenadas en la atmósfera y en toda la vegetación del planeta, de acuerdo con la información divulgada por la Universidad de Cornell.
En los terrenos agrícolas, el carbono orgánico contribuye a formar agregados, conservar humedad, facilitar el intercambio de nutrientes y sostener la actividad de los organismos. Estas funciones influyen sobre la fertilidad y la capacidad de los cultivos para responder a sequías, lluvias intensas y otras perturbaciones.
Cuando la materia orgánica disminuye, el suelo puede perder estructura y quedar más expuesto a la erosión y la compactación. La reducción también puede limitar la infiltración del agua y aumentar la dependencia de insumos externos.
La situación de las reservas de carbono en los suelos agrícolas europeos muestra la importancia de contar con herramientas capaces de reconocer tendencias, vulnerabilidades y diferencias entre regiones productivas.
Aplicaciones para evaluar prácticas de manejo
Los modelos de carbono permiten comparar los posibles efectos de la labranza, las rotaciones, los cultivos de cobertura, el uso de compost, la incorporación de residuos y otros sistemas de manejo. Para que esas comparaciones sean confiables deben representar adecuadamente las condiciones locales.
BINN podría ayudar a los investigadores a ejecutar más simulaciones y examinar qué mecanismos explican los cambios observados. No obstante, el modelo no reemplaza los muestreos de campo, los análisis de laboratorio ni los experimentos agrícolas de larga duración.
La calidad de sus resultados depende de los datos utilizados y de la correcta representación de los procesos. Las estimaciones obtenidas en Estados Unidos deberán validarse antes de trasladar el sistema a regiones tropicales, áridas o con escasa información disponible.
Tampoco se trata, por ahora, de una herramienta que recomiende directamente una práctica a cada productor. Las decisiones agrícolas necesitan considerar el cultivo, el clima, la profundidad del suelo, la disponibilidad de agua, los costos y los objetivos de la explotación.
Una base para nuevas investigaciones
Yiqi Luo, profesor de la Escuela de Ciencia Integrativa de Plantas de Cornell y autor principal del estudio, destacó que BINN es una herramienta sencilla de utilizar y que podría ponerse al alcance de investigadores de distintas disciplinas.
Haodi Xu, estudiante de doctorado del laboratorio de Luo y coautor principal, explicó que el modelo emplea inteligencia artificial y datos para calcular cuántos procesos de transformación son necesarios y con qué rapidez ocurren.
En el trabajo también participó el laboratorio de Carla Gomes, profesora de informática en Cornell. La colaboración reunió conocimientos de ciencias del suelo, cultivos, biogeoquímica y computación.
Los investigadores consideran que la arquitectura podría adaptarse al estudio de otros procesos poco conocidos, entre ellos la respiración del suelo y la acumulación de carbono en los bosques. Cada aplicación necesitará nuevos datos y una validación específica.
El aporte inmediato de BINN es ofrecer una forma más eficiente de formular y probar hipótesis científicas. Sus resultados no constituyen por sí solos una confirmación de los mecanismos estimados, que deberán contrastarse con observaciones y experimentos independientes.
Fuentes referenciales:
Phys.org — Soil carbon effectively measured by new, efficient AI model
Geoscientific Model Development
