Con drones e inteligencia artificial pueden anticipar el rendimiento del maíz

Investigadores del INTA Pergamino desarrollaron modelos con imágenes aéreas de alta resolución e inteligencia artificial para evaluar variables relacionadas con el rendimiento del maíz. Los primeros resultados superaron el 92% de precisión en híbridos comerciales.

La incorporación de drones e inteligencia artificial comienza a transformar las estrategias de evaluación de cultivos y mejoramiento genético. Investigadores de la Estación Experimental Agropecuaria (EEA) Pergamino del INTA desarrollaron modelos capaces de estimar variables vinculadas con la producción de biomasa y el rendimiento del maíz a partir de imágenes aéreas de alta resolución.

La investigación forma parte del Programa Nacional de Ecofisiología y Agroecosistemas y busca desarrollar protocolos de procesamiento de información obtenida mediante sensores remotos para acelerar el trabajo de los programas de mejoramiento genético.

Para avanzar en esta línea, la EEA Pergamino incorporó un Vehículo Aéreo No Tripulado (VANT) equipado con sensores multiespectrales y térmicos.

“Este desarrollo se consolidó mediante un esquema asociativo que vincula internamente a las áreas de Sistemas de Información Geográfica (SIG), Ecofisiología de cultivos, Mejoramiento de Girasol y Mejoramiento de Maíz de la experimental”, explicó Javier Portillo, investigador del INTA Pergamino.

El trabajo también se articula con otras estaciones experimentales a través de la Red Nacional de Drones del INTA, lo que permite ampliar la aplicación de estas herramientas en distintas regiones productivas.

Del trabajo manual al análisis con sensores

Tradicionalmente, la evaluación de los ensayos en los programas de mejoramiento genético se realiza mediante observaciones y mediciones manuales. Este procedimiento demanda muchas horas de trabajo y puede estar condicionado por la subjetividad de quien realiza las mediciones.

“Frente a esto, los sensores remotos emergen como una alternativa estratégica”, explicó Portillo. Según el investigador, permiten obtener mediciones objetivas y repetibles de características que surgen de la interacción entre el genotipo y el ambiente.

La tecnología ya permitió obtener resultados en otros cultivos. En soja, por ejemplo, los vuelos realizados durante el ciclo permitieron seguir la evolución de la cobertura foliar y estimar la altura de las plantas con un margen de error inferior al 8% respecto de las mediciones manuales.

En girasol, el equipo incorporó algoritmos de machine learning para automatizar la identificación de híbridos resistentes a herbicidas comerciales. Esto permite analizar simultáneamente un número mucho mayor de parcelas.

En trigo, en tanto, se inició una investigación orientada a utilizar índices de vegetación para monitorear la velocidad de secado del grano antes de la cosecha, una variable relacionada con la calidad del cereal.

Qué encontraron con los drones en maíz

Los principales avances sobre maíz serán presentados durante el XIII Congreso Nacional de Maíz, donde se expondrán dos investigaciones lideradas por José Menes, integrante del grupo de Sistemas de Información Geográfica.

Uno de los estudios se concentró en la posibilidad de estimar la altura de las plantas mediante modelos digitales de superficie generados a partir de imágenes obtenidas con drones.

Los resultados alcanzaron entre un 81% y un 86% de coincidencia con las mediciones manuales tradicionales.

La información es relevante para analizar la estructura del cultivo y detectar posibles problemas de quebrado y vuelco de tallos, situaciones que pueden generar pérdidas durante la cosecha.

Una variable clave para anticipar el rendimiento

El segundo estudio avanzó sobre una variable directamente relacionada con la productividad: la fracción de radiación solar interceptada por el cultivo.

Los investigadores analizaron más de 60 indicadores obtenidos a partir de información aérea para determinar cuáles tenían mayor capacidad predictiva.

El resultado fue significativo: la estimación del porcentaje de cobertura verde obtenida desde el aire superó a los índices tradicionales de agricultura digital como predictor de la radiación solar interceptada.

Aunque el conocido NDVI permitió explicar satisfactoriamente la variable estudiada, no alcanzó la capacidad predictiva obtenida mediante el porcentaje de cobertura verde.

Más del 92% de precisión en híbridos comerciales

Los modelos desarrollados alcanzaron niveles de precisión superiores al 92% en híbridos comerciales de maíz y al 86% en líneas de maíz.

Los resultados abren una nueva posibilidad para acelerar el fenotipado, reducir el tiempo destinado a las evaluaciones de campo y generar información más objetiva para los programas de mejoramiento genético.

La utilización combinada de drones, sensores remotos e inteligencia artificial podría convertirse así en una herramienta estratégica para el sector semillero argentino, tanto en el ámbito público como en el privado.