La transformación en la aplicación dirigida para control de malezas viene de la mano de “Algoritmos de Aprendizaje Profundo” y machine learning. Lo que se dijo sobre este tema en el Congreso Aapresid.
Machine learning es una disciplina del campo de la inteligencia artificial que, a través de algoritmos, dota a los sistemas de la capacidad de identificar patrones en datos masivos y elaborar predicciones. Por ejemplo, en la detección y combate de malezas.
Este aprendizaje permite a las computadoras realizar tareas específicas de forma autónoma; es decir, sin necesidad de ser programados.
Esta revolución llegó al ámbito de las aplicaciones dirigidas en el control de malezas y es otro avance extraordinario que fue planteado durante la última edición del Congreso Aapresid.
“De la naturaleza a los algoritmos: detectando malezas con machine learning”, fue uno de los paneles que presentó el avance de la inteligencia artificial en el agro.
En este espacio, los disertantes Guy Coleman (Universidad de Sydney) y Marcos Mammarella (DeepAgro), junto al moderador Agustín Bilbao (productor Aapresid), hablaron sobre las nuevas tecnologías aplicadas al manejo de malezas.
Los disertantes, coincidieron en que “la revolución en la aplicación dirigida en malezas viene de la mano de “Algoritmos de Aprendizaje Profundo”.
LA INTELIGENCIA ARTIFICIAL Y LAS MALEZAS
La aplicación dirigida existe desde hace décadas. Inicialmente, para que las máquinas pudieran “ver” las malezas se le daba al sistema determinadas reglas, principalmente basadas en el color. “De esta manera se realizaban aplicaciones dirigidas en barbecho”, explicó Coleman.
Ahora, “no damos las reglas, sino que al ingresar una gran cantidad de imágenes, y marcar las malezas manualmente en una primera etapa, el algoritmo busca todos los datos de cada capa que componen esa imagen y los analiza“, añadió el especialista.
Y amplió que lo ejecuta mediante el “Aprendizaje Profundo”, en el que se establecen los patrones y con ellos se logra “predecir” cuál planta es maleza, incluso en lugares difìciles dentro del cultivo.
aapresid
También remarcó que esta innovación es liderada por productores en todo el mundo y puede ser adaptada para trabajar en diversos cultivos.
Parece magia pero en realidad se requieren miles de imágenes para entrenar al algoritmo. Por lo tanto, la recolección de datos regionalizados que reflejan la gran variedad de malezas presentes en la zona, e inclusive en sus distintos estadíos fenológicos, es una parte fundamental del proceso.
ATERRIZANDO EN LA ARGENTINA
Por su parte, Mammarella remarcó que en nuestro país, según informes de la Red de Manejo de Plagas de AAPRESID (REM), la superficie ocupada por malezas ronda sólo el 30%, por lo que estas herramientas de control selectivo resultan estratégicas.
Esta ineficiencia, sumada al aumento de malezas resistentes en constante auge, lleva a la búsqueda de nuevas soluciones, entre las que se destacan las aplicaciones selectivas, ahora inteligentes.
Esta tecnología con la que ahora se puede trabajar durante todo el año, ofrece beneficios relacionados con el menor uso de fitosanitarios, disminución de la fitotoxicidad en el cultivo, reducción del uso de agua, mayor autonomía, inclusive menor uso de bidones, aportando así a la sustentabilidad del sistema.
A su vez, estos ahorros en el uso de herbicidas permite acceder a otros principios activos más costosos que antes no se utilizaban, diversificando mecanismos de acción y retrasando el avance de resistencias.
EL FUTURO LLEGÓ
“Las posibilidades son inmensas”, comentó Colleman. Puntualmente en el manejo de malezas, el próximo desafío será el control diferencial, basado en la identificación y el tamaño de la maleza, teniendo en cuenta el contexto del cultivo, por ejemplo diferenciar gramíneas en cultivos de cereal.
Para esto, es imprescindible un enfoque multimodal, con muchísima información al mismo tiempo, como historia del lote, biomasa del cultivo e impacto en el rinde.
El machine learning en agricultura es una subcategoría de inteligencia artificial en la que se automatiza el proceso de creación de modelos analíticos y permite que el software agrícola se adapte a nuevas situaciones de forma autónoma.
