Con inteligencia artificial, redefinen el monitoreo del riego en la Argentina
Un equipo de investigación del INTA adaptó una metodología innovadora que permite identificar de manera automática los sistemas de riego por pivote central a partir de imágenes satelitales de alta resolución.
El logro es un avance concreto hacia sistemas de monitoreo agrícola más precisos, ágiles y confiables para el campo argentino.
A partir del uso combinado de imágenes Sentinel-2 y modelos avanzados de inteligencia artificial, un equipo de investigación del INTA logró detectar de manera automática los círculos de riego por pivote central, un sistema que crece año tras año en la región.
Se trata de un desarrollo técnico que mejora la forma de registrar y analizar la expansión del riego presurizado en el norte de Buenos Aires.
“Logramos automatizar una tarea que antes requería horas de interpretación manual y que ahora puede resolverse con un algoritmo entrenado para reconocer patrones circulares en escenarios muy desafiantes”, explicó Néstor Barrionuevo, investigador del Instituto de Clima y Agua del INTA.
El especialista participante del programa AgTech destacó que, a diferencia de otros modelos diseñados para zonas áridas, esta metodología fue adaptada para funcionar en ambientes con alta cobertura vegetal.
“Nuestro objetivo fue demostrar que la IA también puede trabajar con eficiencia en regiones agrícolas intensivas, donde los contrastes son más sutiles y la vegetación es continua”, señaló Barrionuevo.
Según especificó, la cantidad de círculos de riego detectados pasó de 110 en el año 2016 a 285 en 2023, lo que demuestra una adopción sostenida.
La precisión del método fue especialmente destacada: el modelo alcanzó un F1-Score del 73,2 %, una métrica considerada sólida para un paisaje agrícola tan homogéneo como la pampa húmeda.
Este logro se basó en el modelo Grounding DINO, una técnica que combina visión por computadora con descriptores textuales.
Esto permitió aprovechar modelos de lenguaje previamente entrenados para mejorar la identificación automática de los círculos de riego.
Además, el análisis incorporó índices espectrales como NDVI, EVI2 y WRI, que ayudaron a resaltar los patrones circulares asociados a los cultivos irrigados.
Por su parte, Sofía Havrylenko, especialista en teledetección aplicada del INTA, afirmó que:
“El uso integrado de imágenes satelitales e inteligencia artificial nos permitió obtener una cartografía mucho más precisa y dinámica”.
Y agregó: “Esta combinación abre nuevas oportunidades para diseñar herramientas de monitoreo que los productores puedan usar de manera sencilla y con información actualizada”.
Los resultados demostraron que el desempeño del modelo varía según el índice espectral y el partido analizado, lo que permitió ajustar la metodología para cada caso.
En partidos como Salto, por ejemplo, el índice EVI2 ofreció la detección más eficiente; mientras que en Pergamino y Bartolomé Mitre el mejor rendimiento se alcanzó con WRI.
Uno de los aportes más valorados es la posibilidad de contar con un registro actualizado del crecimiento del riego presurizado.
En todos los partidos analizados de Rojas, Salto, Pergamino y Bartolomé Mitre se observó una evolución constante entre 2016 y 2023.
“Tener información precisa sobre dónde están los sistemas de riego y cómo evolucionan permite planificar mejor y tomar decisiones más informadas”, explicó el investigador.
Para el programa AgTech, esta es una línea de trabajo priorizada por la contribución a la incorporación de la inteligencia artificial como recurso estratégico en investigación, y detalló que es una herramienta que potencia el acompañamiento técnico a productores y gobiernos locales”.
El análisis temporal también permitió estudiar cómo se comporta la incorporación de equipos a lo largo de los años.
En Rojas, por ejemplo, se pasó de 25 detecciones en 2016 a 102 en 2023, mientras que en Bartolomé Mitre el mayor salto ocurrió entre 2022 y 2023, con 26 equipos nuevos identificados.
“La serie histórica nos muestra que los productores están incorporando tecnología de riego con una tendencia sostenida, lo cual habla de una búsqueda permanente para mejorar la gestión productiva”, destacó Havrylenko.
Hacia nuevas herramientas de monitoreo
La validación estadística del modelo también aportó datos técnicos de valor.
El algoritmo registró una exactitud del 98,31 % y una precisión del 98,39 %.
Aunque todavía hay espacio para perfeccionar la sensibilidad del método, el desempeño general es considerado muy alto para una primera implementación aplicada a una región húmeda.
“El siguiente paso es seguir ajustando el modelo a uno de Deep Learning para mejorar la detección fina y avanzar hacia la caracterización completa de cada equipo de riego”, adelantó Barrionuevo.
Por su parte, Havrylenko subrayó: “Estamos convencidos de que esta tecnología tiene un enorme potencial para transformarse en un servicio operativo y accesible para quienes toman decisiones en el territorio”.
INTA
No hay comentarios:
Publicar un comentario