Un método une IA e imágenes satelitales para mapear áreas de integración agropecuaria

Se trata de un trabajo desarrollado por grupos de investigación de Brasil que favorece la gestión de los recursos agrícolas con aportes a la formulación de políticas públicas

Por Thais Szegö  |  Agência FAPESP – El sistema de integración agrícola-ganadera (IAG) consiste en combinar cultivos, especialmente de granos tales como soja, maíz y sorgo, con plantas forrajeras utilizadas para alimentar animales bovinos y porcinos, y la ganadería, fundamentalmente de ganado de carne, de manera rotativa, en forma de consorcio. De esta forma, los cultivos aseguran la mayor parte del ingreso de capital, mientras que los animales cuentan con alimento disponible fundamentalmente durante la estación seca y ayudan en el manejo de las semillas. Así es como se logra un aumento de la fertilidad del suelo, como también un incremento de la productividad y de la recuperación de las áreas degradadas, aparte de una reducción del uso de productos agrotóxicos, achicando los riesgos provenientes de la erosión, la estacionalidad de la producción y los costos operativos. El trabajo transcurre entonces de manera más integrada y sostenible, ya que un sector del sistema beneficia al otro con un menor impacto ambiental y una disminución de las emisiones de carbono.

En el marco de un estudio dado a conocer en la revista Remote Sensing of Environment, investigadores de la estatal Empresa Brasileña de Investigación Agropecuaria (Embrapa) y de la Universidad de Campinas describen un método basado en herramientas de inteligencia artificial que permite detectar vía imágenes satelitales las áreas en donde se están aplicando sistemas IAG. Este conocimiento, de acuerdo con sus autores, puede ser beneficioso para la producción agropecuaria brasileña de diversas maneras.

La referida investigación contó con financiamiento de la FAPESP (proyectos 2021/15001-9, 2018/24985-0 y 2017/50205-9) y de la Netherlands Organization for Scientific Research.

“El objetivo principal de este proyecto, fruto de una colaboración internacional para abordar temas relacionados con la agricultura sostenible, consistió en promover la integración de datos de monitoreo con imágenes de la superficie terrestre obtenidas a distancia mediante técnicas de inteligencia artificial, agricultura de precisión y modelos biogeoquímicos, con miras a entender y crear modelos de la dinámica de este tipo de sistemas”, comenta Inácio Thomaz Bueno, ingeniero forestal cuyo proyecto de posdoctorado pone de relieve el monitoreo de sistemas de integración agrícola-ganadera con imágenes de teledetección de alta resolución espaciotemporal.

“También nos enfocamos en la necesidad de aumentar el conocimiento sobre la IAG, ya que existen muchas cuestiones aún abiertas y una carencia con relación a los métodos eficaces de monitorear estos y explotar su potencial, aparte de la necesidad de identificar áreas de IAG alineadas a los Objetivos de Desarrollo Sostenible [ODS] de la ONU relacionados con la agricultura, el medio ambiente y el desarrollo económico y social.”

El equipo trabajó con algoritmos de aprendizaje profundo, un método de inteligencia artificial que les enseña a las computadoras a procesar datos inspirado en el funcionamiento del cerebro humano que posee una gran capacidad para operar con tareas y datos complejos, tales como imágenes satelitales en el transcurso del tiempo y extraer patrones de esos datos para identificar correctamente las áreas de IAG. Este análisis, que comprendió zonas de los estados de São Paulo y de Mato Grosso con intervalos de entre diez y 15 días, se realizó en cuatro pasos: adquisición de datos obtenidos mediante imágenes PlanetScope, un sistema de generación de imágenes vía satélite que capturó la evolución de las áreas de integración a lo largo del tiempo; entrenamiento de los algoritmos, que aprendieron a reconocer patrones asociados a los sistemas IAG; relevamiento de las áreas que emplean esta tecnología de trabajo, y evaluación de la precisión, que consiste en captar la exactitud del modelo mediante la comparación de los resultados automáticos con datos conocidos previamente.

Bueno comenta que este método se empleó para monitorear y mapear las ubicaciones de sistemas IAG a partir de imágenes satelitales considerando su dinámica en el transcurso del tiempo. Los prometedores resultados obtenidos en el estudio cuentan con potenciales impactos positivos en la producción agropecuaria de diversos modos.

“La identificación precisa de las áreas de IAG hace posible una gestión más eficiente de los recursos agrícolas en la cual los agricultores pueden optimizar la ubicación de tierras y mejorar la eficiencia de su uso. Asimismo, la diversificación de las actividades, tal como sucede en estos casos, puede proporcionarles una fuente ingresos a los productores”, afirma. La información detallada derivada del mapeo de la IAG también ofrece una base sólida en el proceso de decisión del área de producción, ya que los agricultores pueden tener resoluciones basadas en información científica sobre las prácticas de cultivo, el manejo del ganado y las inversiones en distintas zonas de la propiedad.

Por último, este producto opera incentivando las prácticas agropecuarias sostenibles, toda vez que el reconocimiento y el mapeo de áreas de IAG pueden apoyar políticas y programas gubernamentales que promuevan dichas prácticas y hacer su aporte de este modo a la regularidad del abastecimiento y la conformación de los ingresos de los productores rurales, lo que comprende la implementación de incentivos financieros y líneas de crédito específicas para apoyar la adopción de sistemas integrados.

Puede leerse el artículo intitulado Mapping integrated crop-livestock systems in Brazil with planetscope time series and deep learning en el siguiente enlace: www.sciencedirect.com/science/article/abs/pii/S0034425723004376.