Especialistas del INTA Catamarca y Marcos Juárez combinaron imágenes obtenidas con un dron comercial y algoritmos de aprendizaje automático para identificar la presencia de malezas en alfalfa en activo crecimiento. La herramienta ofrece una alternativa accesible para evaluar lotes degradados y orientar decisiones de manejo.
El monitoreo preciso de la cobertura vegetal y del estado de los cultivos resulta fundamental para determinar su viabilidad productiva. Sin embargo, cuando la evaluación visual en terreno resulta insuficiente —especialmente en grandes extensiones de alfalfa o bajo una alta presión de malezas—, la tecnología se convierte en un aliado indispensable.
Para superar la barrera económica que imponen las cámaras multiespectrales o térmicas tradicionales, investigadoras e investigadores del INTA Catamarca y del INTA Marcos Juárez llevaron a cabo un estudio enfocado en el uso de sensores ópticos RGB convencionales, integrados en drones de uso masivo.
El mayor reto técnico de estas cámaras estándar radica en la discriminación en escenarios de “verde sobre verde”, es decir, cuando la alfalfa y las malezas coexisten en activo crecimiento y generan un marcado solapamiento espectral al no contar con bandas infrarrojas.
Al respecto, Laura Cano, especialista del INTA Catamarca y una de las autoras del trabajo, explicó: “Buscamos demostrar que con un dron comercial y el uso de algoritmos de Machine Learning como CatBoost, es posible aislar con alta precisión la cobertura útil del cultivo de alfalfa, incluso en momentos donde todo el lote se encuentra verde y en activo desarrollo”.
La experiencia se llevó a cabo en un ensayo sobre un lote de alfalfa de 3,3 hectáreas situado en el Campo Anexo Santa Cruz de la Estación Experimental Agropecuaria Catamarca. La metodología contempló dos vuelos con un dron DJI Air 3S a 40 metros de altura: el primero en pleno crecimiento del cultivo y las malezas (escenario “verde sobre verde”) y el segundo 45 días después, tras el corte de la alfalfa y la senescencia de las malezas, ofreciendo un contraste óptico de validación.
Por su parte, Carlos Navarro, técnico del INTA Marcos Juárez -Cordoba-, destacó la consistencia de los datos obtenidos y la relevancia de este tipo de diagnósticos: “Al procesar las imágenes con CatBoost en plataformas de código abierto como QGIS y WebODM, logramos una consistencia temporal sobresaliente: determinamos un 45,2 % de superficie neta de alfalfa en la primera fecha y un 49,1 % en la segunda, con una variación de apenas el 3,9 % entre ambos relevamientos”.
“Además de validar la tecnología -agregó Navarro- esto nos brindó un diagnóstico agronómico de alerta rápida, al evidenciar un lote degradado donde casi la mitad de la superficie estaba desaprovechada.”
El trabajo concluye que la combinación de sensores RGB accesibles con algoritmos de clasificación supervisada constituye una alternativa robusta para generar alertas tempranas y guiar las decisiones sobre la viabilidad productiva del cultivo y la planificación del lote.
