La tecnología al servicio de las tierras.
Aunque Colombia tiene un potencial agrícola, según la Agencia de Desarrollo Rural, el país sigue teniendo desafíos en cuanto a rendimiento y prosperidad, sobre todo entre los pequeños agricultores, problemática frente a la cual la Organización de las Naciones Unidas (ONU) promueve la agricultura inteligente, para adoptar tecnologías avanzadas para optimizar la producción de alimentos y escenarios desfavorables.
Con el objetivo de acercar la agricultura inteligente a los pequeños productores, se evaluó si un dron y un modelo de inteligencia artificial económicamente asequibles podrían clasificar de forma automática tres tipos de cultivos: cebolla larga, flores y sin vegetación. El análisis, que obtuvo un 93 % de precisión, aportaría información de cantidad y tipo, lo que sería útil para avanzar en iniciativas estatales como el catastro multipropósito, la toma de decisiones de mercado y el direccionamiento de políticas públicas.
«La agricultura inteligente, que implica el uso de tecnologías de última generación, se ha incorporado de forma gradual en todo el mundo. Sin embargo, en países como el nuestro persisten dificultades para el acceso, máxime entre los pequeños productores», explica Paulina Arregocés Guerra, magíster en Ingeniería Analítica de la UNAL Sede Medellín.
Actualmente el tipo de cultivos y la cantidad de explotaciones agrícolas colombianas se estiman con encuestas, un método poco eficiente, lento e impreciso. «Tener esta información de forma oportuna y precisa sería clave para estimar los productos que se ofrecerán al mercado y diseñar estrategias efectivas de cara a las proyecciones de productividad», agrega.
Por esto, la investigadora Arregocés se propuso emplear vehículos aéreos no tripulados VANT, comúnmente conocidos como drones), de fácil acceso en el mercado, y técnicas de aprendizaje profundo, para clasificar cultivos agrícolas a pequeña escala. «Tuvimos como zona de estudio el corregimiento de San Cristóbal, en Medellín, donde utilizamos herramientas de visión artificial, generamos un conjunto de imágenes etiquetadas, entrenamos y probamos diferentes modelos, y validamos el método con éxito», sostuvo la investigadora.
Entrenamiento para identificar los cultivos
Con el uso de un dron –de aproximadamente $2.000.000– la magíster Arregocés recolectó 259 imágenes de fincas productivas. «Capturamos imágenes a distintas alturas teniendo en cuenta los cambios de pendiente, específicamente entre 40 y 85 m perpendiculares sobre la superficie del suelo, rango que puede variar según las características de cada zona».
Después las clasificó en tres tipos de elementos mediante el software de uso libre CVAT (Computer Vision Annotation Tool), así: cebolla verde, flores y sin cultivo. «Clasificar implica etiquetar, es decir, delimitar las áreas (usualmente por colores) según su tipo, actividad que luego verificamos con la ayuda de expertos».
Con 4.315 etiquetas entrenó y probó 3 métodos de aprendizaje profundo que mezclan técnicas como la detección automática de objetos y la segmentación semántica (pixel a pixel). «El método que mejores resultados nos arrojó se llama Mask R-CNN, que tuvo una precisión del 93 %, una tasa de falsos positivos del 9 % y de falsos negativos del 4 %».
Su buen desempeño se destaca porque para validar su robustez, la investigadora hizo cambios en la iluminación de las imágenes, lo que naturalmente sube el nivel de dificultad en la clasificación. «El cultivo que identificó con mayor facilidad fue el de cebolla, luego las flores, y finalmente las áreas sin cultivo que, por no tener vegetación, cuentan con un espectro de luz muy distinto. No obstante, las conclusiones siguen siendo muy favorables».