El uso de drones comerciales y algoritmos de aprendizaje automático abre nuevas posibilidades para evaluar el estado de los cultivos forrajeros. Especialistas del INTA Catamarca y del INTA Marcos Juárez desarrollaron una metodología para identificar malezas en lotes de alfalfa en activo crecimiento mediante imágenes obtenidas con cámaras convencionales, una alternativa accesible para productores y asesores que necesitan mejorar el diagnóstico de sus campos.

La herramienta apunta a resolver uno de los desafíos del monitoreo agrícola: distinguir el cultivo de las malezas cuando ambas especies están verdes y en pleno desarrollo. Esta situación, conocida como escenario de «verde sobre verde», dificulta la identificación visual y el procesamiento de imágenes porque la vegetación presenta características ópticas similares. En ese contexto, la posibilidad de cuantificar con mayor precisión la superficie ocupada por la alfalfa resulta clave para evaluar la productividad potencial del lote, definir estrategias de manejo y determinar si es necesario renovar el cultivo.

Drones accesibles para mejorar el diagnóstico de los lotes

La productividad de la alfalfa, un cultivo forrajero perenne, depende en gran medida de mantener una cobertura uniforme y reducir la competencia de las malezas. Cuando la evaluación visual no alcanza para determinar el estado del lote, las herramientas de agricultura de precisión pueden aportar información para orientar las decisiones agronómicas. Sin embargo, el costo de las cámaras multiespectrales y térmicas puede representar una limitante para su adopción en determinadas economías regionales. Frente a ese escenario, el equipo del INTA trabajó con sensores ópticos RGB convencionales, integrados en un dron de uso comercial.

La metodología se complementó con técnicas de clasificación supervisada y el algoritmo de aprendizaje automático CatBoost, con el objetivo de separar la cobertura útil de alfalfa de la correspondiente a las malezas. Laura Cano, especialista del INTA Catamarca y una de las autoras del trabajo, explicó que el costo de las cámaras multiespectrales suele ser una barrera para productores y asesores, especialmente en economías regionales del noroeste argentino. La investigación buscó demostrar que, mediante un dron comercial y herramientas de machine learning, es posible identificar con precisión la cobertura efectiva del cultivo, incluso cuando la alfalfa y las malezas se encuentran en activo crecimiento.

Dos vuelos para evaluar la cobertura de alfalfa

La experiencia se realizó sobre un lote de 3,3 hectáreas ubicado en el Campo Anexo Santa Cruz de la Estación Experimental Agropecuaria Catamarca. La metodología incluyó dos vuelos con un dron DJI Air 3S, a una altura de 40 metros. El primero se llevó a cabo cuando el cultivo y las malezas estaban en pleno crecimiento, en un escenario de «verde sobre verde». El segundo relevamiento se realizó 45 días después, tras el corte de la alfalfa y la senescencia de las malezas. Esta diferencia entre ambos momentos permitió contar con un contraste óptico para validar los resultados de la clasificación. Las imágenes fueron procesadas mediante CatBoost y plataformas de código abierto como QGIS y WebODM, herramientas que permitieron analizar la cobertura vegetal y estimar la proporción de superficie efectivamente ocupada por el cultivo.

Casi la mitad del lote estaba desaprovechada

Los resultados mostraron una superficie neta de alfalfa del 45,2% en el primer relevamiento y del 49,1% en el segundo, con una diferencia de 3,9 puntos porcentuales entre ambas estimaciones. Carlos Navarro, técnico del INTA Marcos Juárez, destacó la consistencia temporal de los datos y el valor agronómico del diagnóstico. Según explicó, el análisis permitió identificar un lote degradado en el que casi la mitad de la superficie estaba desaprovechada desde el punto de vista de la cobertura del cultivo. La información obtenida puede servir como una alerta temprana para evaluar la viabilidad productiva de la alfalfa y planificar las intervenciones necesarias, desde ajustes en el manejo hasta la eventual renovación del lote.

Una alternativa para la agricultura de precisión

El trabajo concluye que la combinación de drones comerciales, cámaras RGB y algoritmos de clasificación supervisada constituye una alternativa para monitorear cultivos forrajeros sin depender necesariamente de sensores de mayor costo. Además de facilitar la detección de malezas, la metodología permite generar información cuantitativa sobre la cobertura del cultivo y aportar elementos objetivos para la toma de decisiones. La experiencia del INTA muestra cómo la integración de herramientas accesibles y procesamiento inteligente de imágenes puede contribuir a mejorar el diagnóstico de los lotes, optimizar el uso de los recursos y orientar el manejo de la alfalfa en sistemas productivos regionales.