Uno de los retos actuales de la agricultura de precisión es la identificación temprana de malas hierbas. Éstas son responsables de una gran reducción de la producción del cultivo, por lo que su tratamiento es altamente recomendable. Normalmente, aunque las malas hierbas se distribuyan en rodales, estos herbicidas se aplican en todo el cultivo, con el consiguiente riesgo medioambiental y económico que supone. El uso optimizado de los herbicidas es entonces una tarea apremiante. Sin embargo, existen distintos impedimentos: la similitud espectral entre el cultivo y las malas hierbas en estado fenológico temprano (lo que dificulta crear mapas de malas hierbas a tiempo para el tratamiento), y la baja resolución de muchas de las plataformas aéreas que se usan actualmente en teledetección.
Este artículo de la doctora María Pérez Ortiz, desarrollado durante su pertenencia al grupo de investigación imaPing, liderado por la doctora Francisca López Granados, expone una aproximación al problema del cartografiado de malas hierbas en girasol y maíz, presentando resultados muy prometedores. Para ello, se hace uso de imágenes provenientes de vehículos aéreos no tripulados (más conocidos como drones) y de técnicas de análisis de imagen e inteligencia artificial.
En investigaciones anteriores llevadas a cabo por el grupo imaPing ya se consiguieron mapas de malas hierbas con precisiones similares, pero en el presente trabajo se ha abordado el problema de una forma nueva para poder detectar también las malas hierbas que están en la línea de cultivo, lo que en anteriores investigaciones no había sido posible.
El uso de aprendizaje automático es de vital importancia en esta aplicación. Esta área de investigación gravita en la intersección de la informática y la estadística y se encuentra en el núcleo de la inteligencia artificial y la ciencia de datos, siendo una de las ramas de investigación con mayor crecimiento en la actualidad. La pregunta más básica que intenta responder el aprendizaje automático es: ¿Cómo podríamos construir sistemas informáticos que aprendan de la experiencia de forma automática?. En este caso, estas técnicas permiten crear un modelo matemático para diferenciar las malas hierbas del cultivo y del suelo desnudo. Para ello, sólo es necesario dotar al modelo de secciones de píxeles etiquetadas (lo que equivaldría a la experiencia).
Los resultados han mostrado que el desempeño del sistema es prometedor en ambos cultivos (95% de precisión en girasol y 79% en maíz) y que además las características óptimas para la discriminación de malas hierbas coinciden en su mayoría para estos cultivos (determinados índices de vegetación, distintos estadísticos, etc.). Por último, se ha demostrado que el uso del modelo anteriormente descrito se adapta a la perfección al cambio en factores tales como la altura de vuelo, la iluminación, el cultivo y la cámara usada. Esta adaptabilidad facilitaría la adopción de la técnica de cartografiado de malas hierbas por parte de cualquier agricultor interesado en ella.
Nota de prensa en Gabinete de Comunicación del CSIC
1. Drone MD4-1000 despegando sobre un campo de girasol
2. Representación de resultados obtenidos. Izquierda: Imagen original obtenida mediante vuelo con el dron utilizado; Derecha: Imagen resultado donde cada color representa una clase: cultivo (color blanco), malas hierbas (color gris) y zonas sin vegetación (color negro)
