La alfalfa es una forrajera perenne cuya productividad depende de mantener una cobertura uniforme y reducir la presencia de malezas, por lo que seguir de cerca la evolución de especies que compitan con el cultivo es crucial para sostener su rendimiento.

Mientras más preciso sea ese seguimiento, mayores serán las posibilidades de determinar cómo se encuentra el lote para definir a tiempo las medidas de manejo o -llegado el caso- decidir la renovación del alfalfar.

«ALIANZA» CON LA TECNOLOGÍA

El monitoreo preciso de la cobertura vegetal y del estado de los cultivos resulta fundamental para determinar su viabilidad productiva.

Pero cuando la evaluación visual en terreno es insuficiente -en grandes extensiones o bajo una alta presión de malezas- la tecnología se convierte en un aliado indispensable para mirar «desde arriba» lo que no puede verse «desde abajo» .

UNA OPCIÓN DE COSTO ACCESIBLE

Con esa premisa trabajaron investigadores del INTA Catamarca y Marcos Juárez, para diferenciar el cultivo de las malezas en estado vegetativo. Pero debían superar la barrera económica que imponen las cámaras multiespectrales o térmicas tradicionales.

Por eso recurrieron a sensores ópticos RGB convencionales integrados en drones de uso masivo y técnicas de clasificación supervisada, como alternativa accesible para diagnosticar lotes degradados, sobre todo en regiones extrapampeanas.

«VERDE BUENO» Y «VERDE MALO»

El mayor reto técnico de estas cámaras estándar es discriminar entre especies, en escenarios que muestran «verde sobre verde» es decir, cuando alfalfa y 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: «En economías de regiones como el noroeste argentino, el costo de las cámaras multiespectrales suele ser una limitante crítica para asesores y productores».

«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», apuntó.

DETALLES DE LA EXPERIENCIA

Realizaron un ensayo sobre un lote de alfalfa de 3,3 hectáreas situado en el Campo Anexo Santa Cruz de la Estación Experimental Agropecuaria INTA Catamarca. La metodología contempló dos vuelos con un dron DJI Air 3S a 40 metros de altura.

El primer vuelo fue 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) lo que ofreció un contraste óptico de validación.

UN DIAGNÓSTICO TEMPRANO

Por su parte, Carlos Navarro, técnico del INTA Marcos Juárez (Córdoba), 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» aseguró. «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» reveló.

«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.

AGTECH PARA DETECTAR MALEZAS DETECCIÓN DE MALEZAS EN ALFALFA EEA INTA CATAMARCA EEA INTA MARCOS JUÁREZ (CÓRDOBA) INVESTIGADORA LAURA CANO (INTA CATAMARCA) TÉCNICO CARLOS NAVARRO (INTA MARCOS JUÁREZ)