Investigadores del Instituto Nacional de Tecnología Agropecuaria (INTA) de las estaciones experimentales de Catamarca y Marcos Juárez diseñaron una herramienta digital para identificar malezas en cultivos de alfalfa en crecimiento mediante el uso de drones comerciales y algoritmos de Machine Learning. El desarrollo permite evaluar con precisión lotes forrajeros sin recurrir a costosas cámaras multiespectrales o térmicas, democratizando el acceso a tecnología de precisión para los productores de las economías regionales.
El principal desafío técnico del ensayo radicaba en discriminar vegetación en escenarios de verde sobre verde, donde las malezas y la alfalfa coexisten en activo desarrollo vegetativo y generan un fuerte solapamiento espectral al ser captadas por sensores RGB convencionales sin bandas infrarrojas. Mediante la aplicación del algoritmo de clasificación supervisada CatBoost, los técnicos lograron aislar la cobertura vegetal útil de la pastura con un alto nivel de precisión.
Las pruebas a campo se desarrollaron sobre una superficie de 3,3 hectáreas en el Campo Anexo Santa Cruz, perteneciente a la experimental de Catamarca. La metodología implementó vuelos a 40 metros de altura con un vehículo no tripulado comercial, ejecutando un primer relevamiento en pleno desarrollo del forraje y un segundo monitoreo 45 días después, tras el corte de la pastura y la senescencia de las malezas, lo que permitió contrastar y validar los resultados.
El procesamiento de los datos se realizó en entornos de código abierto como QGIS y WebODM, alcanzando una consistencia sobresaliente con una variación de apenas el 3,9% entre ambas fechas. La medición determinó que el lote contaba con una cobertura neta de alfalfa de entre el 45% y el 49%, aportando un diagnóstico agronómico de alerta rápida sobre el nivel de degradación del suelo para definir intervenciones químicas oportunas o la resiembra del cuadro.
Fuente: Instituto Nacional de Tecnología Agropecuaria (INTA)
