Drones e inteligencia artificial permiten anticipar el rendimiento del maíz con más del 92% de precisión

La Estación Experimental Agropecuaria Pergamino del INTA avanzó en el uso de drones, sensores multiespectrales e inteligencia artificial para mejorar el seguimiento de cultivos y agilizar los procesos de evaluación utilizados en los programas de mejoramiento genético.

Uno de los desarrollos más destacados se concentra en el maíz, donde los investigadores lograron estimar variables asociadas con el rendimiento con niveles de precisión superiores al 92% en híbridos comerciales y al 86% en líneas de maíz.

La iniciativa forma parte del Programa Nacional de Ecofisiología y Agroecosistemas y busca reemplazar parte de las evaluaciones manuales por sistemas objetivos, repetibles y capaces de procesar una mayor cantidad de información en menos tiempo.

Drones para acelerar las evaluaciones a campo

El proyecto utiliza un Vehículo Aéreo No Tripulado (VANT) equipado con tecnología multiespectral y térmica. A partir de los vuelos, se generan imágenes de alta resolución que luego son procesadas mediante distintos modelos y algoritmos.

El investigador del INTA Pergamino Javier Portillo explicó que el trabajo integra diferentes áreas de la experimental y también se articula con otras estaciones del país.

“Este desarrollo se consolidó mediante un esquema asociativo que vincula internamente a las áreas de Sistemas de Información Geográfica, Ecofisiología de cultivos, Mejoramiento de Girasol y Mejoramiento de Maíz de la experimental”, señaló.

Además, destacó que la experiencia se amplía a través de la Red Nacional de Drones del INTA, que permite compartir metodologías y resultados entre distintas regiones.

Una alternativa a las mediciones manuales

Las evaluaciones tradicionales en los programas de mejoramiento suelen demandar una gran cantidad de horas de trabajo y dependen, en buena medida, de observaciones realizadas directamente por operarios.

Frente a esa limitación, los sensores remotos aparecen como una herramienta capaz de aportar mediciones objetivas y repetibles a lo largo del ciclo del cultivo.

“El uso de estos sensores permite estimar de manera totalmente objetiva y repetitiva en e tiempo aquellas características de las plantas que surgen de la interacción entre el genotipo y el ambiente”, explicó Portillo.

La tecnología ya fue utilizada en otros cultivos. En soja, por ejemplo, permitió estimar la evolución de la cobertura foliar y medir la altura de las plantas con un margen de error inferior al 8% respecto de las mediciones manuales.

Inteligencia artificial aplicada a girasol y trigo

En girasol, el equipo combinó imágenes obtenidas mediante drones con algoritmos de machine learning para automatizar la detección de híbridos resistentes a herbicidas comerciales.

Esto permitió evaluar simultáneamente un mayor número de parcelas y reducir los tiempos necesarios para identificar características específicas.

En trigo, en tanto, los investigadores comenzaron a trabajar con índices de vegetación destinados a monitorear la velocidad de secado del grano antes de la cosecha, una variable vinculada directamente con la calidad final del cereal.

Los avances que presentarán en el Congreso Nacional de Maíz

Parte de los resultados serán expuestos durante el XIII Congreso Nacional de Maíz, donde se presentarán dos investigaciones lideradas por José Menes, integrante del grupo de Sistemas de Información Geográfica.

Uno de los estudios se concentró en la estimación de la altura de las plantas mediante modelos digitales de superficie generados a partir de imágenes captadas por drones.

Los resultados mostraron una coincidencia de entre 81% y 86% respecto de las mediciones manuales tradicionales.

Este tipo de información permite analizar la estructura del cultivo y anticipar posibles problemas de quebrado y vuelco de tallos, factores que pueden ocasionar pérdidas importantes durante la cosecha.

Una variable directamente relacionada con el rendimiento

El segundo trabajo buscó estimar la fracción de radiación solar interceptada por el cultivo, una variable estrechamente vinculada con la generación de biomasa y el rendimiento.

Después de analizar más de 60 indicadores, los investigadores determinaron que el porcentaje de cobertura verde observado desde el aire fue el mejor predictor de esa variable.

El resultado sorprendió porque superó a índices ampliamente utilizados en agricultura digital, como el NDVI, que si bien mostró un buen desempeño, no alcanzó la precisión obtenida mediante la estimación de cobertura verde.

En los ensayos, los modelos consiguieron más del 92% de precisión en híbridos comerciales y más del 86% en líneas de maíz.

Los resultados posicionan a los drones y al procesamiento inteligente de imágenes como herramientas con potencial para agilizar el fenotipado, reducir tiempos de evaluación y fortalecer los programas de mejoramiento genético, tanto del sector público como privado.