Embrapa está desarrollando un modelo que estima la productividad de la caña de azúcar con alta precisión utilizando imágenes satelitales recopiladas a lo largo del ciclo de crecimiento del cultivo. Mediante la integración de estas imágenes con técnicas estadísticas y aprendizaje automático, los investigadores lograron predicciones precisas. La misma metodología también se probó en soja, lo que sirvió como validación para el bioestimulante Hydratus, recientemente lanzado.
La investigación se basa en imágenes diarias de PlanetScope, proporcionadas a través del Programa Brasil Mais del Ministerio de Justicia y Seguridad Pública. Estas imágenes de series temporales permiten a los investigadores identificar las etapas óptimas de desarrollo de las plantas para calcular los índices de vegetación utilizados en las predicciones de productividad. Los datos satelitales se combinan con variables como el cultivar, el ciclo de producción y la precipitación acumulada para alimentar el modelo de predicción.
En el caso de la caña de azúcar, en colaboración con la Cooperativa de Cañeros de São Paulo (Coplacana) y con financiación de Finep, se monitorearon dos cosechas durante tres años, logrando un coeficiente de determinación de 0,89. Esto significa que las predicciones del modelo coincidieron en un 89% con la productividad medida mediante métodos agronómicos tradicionales, un nivel de precisión impresionante para la previsión, según un comunicado de prensa.
Geraldo Magela Cançado, investigador de Embrapa Agricultura Digital, explica que el proyecto comenzó con un modelo más simple, pero se añadirán nuevas variables como la temperatura, la textura del suelo y la disponibilidad de agua para mejorar aún más su eficiencia.
El equipo de investigación prevé una herramienta que pueda ser utilizada por productores y agroindustrias para generar previsiones a nivel de parcela, lo que permitirá una mejor planificación estratégica, gestión logística y orientación para las intervenciones. Además, el modelo podría respaldar la previsión de cultivos del gobierno y la planificación agrícola nacional.
“Esta metodología permite un estudio de cosechas más objetivo. Queremos reducir la subjetividad de esta previsión y ser más exhaustivos. Considerando la inmensidad de este país, solo con el uso de imágenes satelitales esto es posible”, afirma el investigador João Antunes.
Aplicación de la Metodología a la Soja
Tras el estudio de la caña de azúcar, Embrapa aplicó la misma metodología al cultivo de soja para validar los efectos del bioestimulante Hydratus, que mejora el crecimiento y protege a las plantas contra la sequía. Financiada por Finep, la investigación se realizó en colaboración con Embrapa Maíz y Sorgo y la empresa Bioma, monitoreando tres campos diferentes. En dos áreas, se utilizaron imágenes satelitales de PlanetScope, mientras que en la tercera, se recopilaron datos mediante imágenes de drones.
Para la caña de azúcar, los pronósticos de productividad se basaron en el índice de vegetación de diferencia normalizada verde (GNDVI), que utiliza bandas espectrales de infrarrojo cercano (NIR) y verde para detectar diferencias en la clorofila. En la soja, el equipo utilizó el índice de vegetación mejorado (EVI2), que combina bandas rojas y NIR para capturar la estructura y la biomasa de la planta.
Los resultados destacaron diferencias en la productividad entre los tratamientos con diferentes dosis de Hydratus en comparación con las parcelas de control. El modelo logró una correlación del 71 % entre la productividad prevista y la observada. Si bien es ligeramente inferior al modelo de caña de azúcar, este nivel de precisión se considera alto y prometedor para pronosticar el rendimiento de la soja.
“Cada cultivo tiene un comportamiento diferente y esta variación entre ellos es normal. En general, asumimos como aceptables niveles de correlación superiores a 0,6 (es decir, el modelo es capaz de explicar más del 60 % de la variación observada). En el caso de la caña de azúcar, dado que la producción está muy ligada al dosel de la planta (parte de la planta sobre la superficie del suelo, formada por hojas y tallos), se obtienen mejores resultados, ya que existe una relación casi directa entre la biomasa y la productividad de los tallos viejos (tallo típico de gramíneas, como la caña de azúcar). En el caso de la soja, dado que el producto es el grano, la relación entre la soja y la productividad no es tan directa”, explica Geraldo Cançado.
Los buenos resultados del modelo de predicción son optimistas para su uso en la investigación de campo, permitiendo un monitoreo preciso y no destructivo. “Este marco de doble evaluación, que combina métricas agronómicas con teledetección, proporciona una estrategia innovadora y económica para evaluar el rendimiento de los cultivos en tiempo real”, afirma el investigador.
La investigación ha empleado dos enfoques complementarios: uno basado en aprendizaje automático y otro en métodos estadísticos tradicionales. Según Eduardo Speranza, analista de Embrapa, dado que el conjunto de datos utilizado para entrenar el algoritmo es aún relativamente pequeño, el modelo estadístico ha producido predicciones más precisas hasta el momento.
“A pesar de contar con numerosos experimentos, trabajamos en una publicación con 500-600 muestras para entrenar un algoritmo. Esta cantidad para el aprendizaje automático es pequeña. El método de aprendizaje automático tiene potencial de mejorar, pero requiere miles de muestras”, explica Speranza, recordando que el aumento de muestras depende de la validación in situ mediante el método de monitoreo agronómico.
