Contar con un registro actualizado del crecimiento en la adopción de sistemas de riego presurizado resulta clave para planificar y tomar mejores decisiones. Con eso en mente, un equipo de investigadores del INTA comenzó a trabajar en el desarrollo de una herramienta que permita monitorear esta cuestión, combinando tecnología satelital y modelos avanzados de inteligencia artificial. Los primeros resultados, afirmaron, son alentadores.
“Logramos automatizar una tarea que antes requería horas de interpretación manual y que ahora puede resolverse con un algoritmo entrenado para reconocer patrones circulares en escenarios muy desafiantes”, explicó Néstor Barrionuevo, investigador del Instituto de Clima y Agua del INTA.
La herramienta, cuya aplicación se enfocó en el norte bonaerense, se diferencia de otras al lograr adaptarse a los ambientes que muestran alta cobertura vegetal.
“Nuestro objetivo fue demostrar que la IA también puede trabajar con eficiencia en regiones agrícolas intensivas, donde los contrastes son más sutiles y la vegetación es continua”, señaló Barrionuevo.
Según dio cuenta, los primeros resultados arrojaron que la cantidad de círculos de riego detectados pasó de 110 en el año 2016 a 285 en 2023, lo que demuestra una adopción sostenida.
En particular, Rojas, Salto, Pergamino y Bartolomé Mitre mostraron una constante evolución. Por caso, Rojas pasó de 25 detecciones en 2016 a 102 en 2023, mientras que en Bartolomé Mitre el mayor salto ocurrió entre 2022 y 2023, con 26 equipos nuevos identificados.
El desarrollo se basó en el modelo Grounding DINO, una técnica que combina visión por computadora con descriptores textuales. Esto permitió aprovechar modelos de lenguaje previamente entrenados para mejorar la identificación automática de los círculos de riego.
Y su precisión fue especialmente destacada. El equipo dio cuenta que el modelo alcanzó un F1-Score del 73,2%, una métrica considerada sólida para un paisaje agrícola tan homogéneo como la pampa húmeda.
Además, la validación estadística del modelo también aportó datos técnicos de valor. El algoritmo registró una exactitud del 98,31% y una precisión del 98,39%. Aunque todavía hay espacio para perfeccionar la sensibilidad del método, el desempeño general es considerado muy alto para una primera implementación aplicada a una región húmeda.
“El siguiente paso es seguir ajustando el modelo a uno de Deep Learning para mejorar la detección fina y avanzar hacia la caracterización completa de cada equipo de riego”, adelantó Barrionuevo
