Leaf Monitor, una nueva herramienta móvil respaldada por inteligencia artificial y modelos predictivos, podría revolucionar la forma en que los agricultores monitorean los cultivos y toman decisiones al proporcionar información en tiempo real sobre la nutrición y las características de las hojas en el campo.
“Contar con esta información es muy valioso para los agricultores”, afirmó Alireza Pourreza, profesora asociada de Extensión Cooperativa y directora del Laboratorio de Agricultura Digital del Departamento de Ingeniería Biológica y Agrícola de la Universidad de California, Davis. “En cinco segundos, pueden tener una idea de la cantidad de nutrientes que contiene una hoja”.
El desarrollo del modelo de IA fue financiado por el proyecto multiestatal HiRes Vineyard Nutrition del Instituto Nacional de Alimentos y Agricultura del Departamento de Agricultura de EE. UU . y su Servicio de Inspección de Sanidad Animal y Vegetal, así como por la Comisión de Uva de Mesa de California.
Maha Afifi, directora de investigación vitivinícola de la Comisión de Uva de Mesa de California, afirmó que la herramienta podría ser revolucionaria para la industria de la uva de mesa si permite tomar decisiones más rápidas sobre el uso de fertilizantes. La dosis correcta suele resultar en vides más sanas que producen más uvas con tamaño, peso y color óptimos.
“La evaluación del estado nutricional de la vid es una de nuestras principales prioridades”, afirmó Afifi. “A la vez, explorar nuevas herramientas tecnológicas como este proyecto es una prioridad para nosotros, ya que serán cruciales para el futuro de la industria de la uva de mesa”.
Pruebas de campo
La herramienta Leaf Monitor utiliza un espectrómetro portátil para medir la reflectancia de las hojas más allá del rango de luz visible para el ojo humano.
Una vez escaneada una hoja, sus datos espectrales se cargan en un sistema de aprendizaje automático en la nube, diseñado para predecir las características foliares y el contenido de nutrientes. Este algoritmo fue desarrollado y entrenado por el Laboratorio de Agricultura Digital durante cinco años utilizando un conjunto de datos de miles de muestras de hojas recolectadas de cultivos especializados de California, principalmente vides y almendras. Las muestras se analizaron químicamente para determinar los niveles de nutrientes y las características estructurales de las hojas, lo que proporcionó los datos necesarios para construir un modelo de predicción preciso.
“Las deficiencias de nutrientes en las plantas suelen pasar desapercibidas hasta finales de la temporada, momento en el que el daño ya es irreversible”, afirmó el estudiante de posgrado Parastoo Farajpoor, quien dirige el proyecto. “Por eso la detección temprana es esencial. La espectrometría proporciona una forma rápida y fiable de identificar estas deficiencias antes de que aparezcan los síntomas visibles”.
Tras una demostración reciente, Geoff Klein, gerente de riego de Bulleseye Farms, afirmó que la herramienta podría ayudar a ahorrar dinero y mejorar la producción. Bullseye cultiva nueces, pistachos, tomates, maíz, trigo, arroz y girasoles en los condados de Yolo y Solano.
Gestión de cultivos a medida
Actualmente, los agricultores suelen tomar muestras de hojas, secarlas, molerlas y enviarlas a un laboratorio para su análisis, cuyos resultados pueden tardar hasta dos semanas. Bullseye toma muestras de tejido foliar unas tres veces al año.
“Ahora mismo, no tiene sentido ir a cada esquina a llevar pañuelos solo porque es caro”, dijo Klein. “Sería genial si pudiera ir y probar en un par de lugares diferentes”.
La herramienta Leaf Monitor ayuda a los agricultores a adaptar sus decisiones de gestión a áreas específicas, en lugar de a todo el campo. Calibrar el uso de fertilizantes con datos en tiempo real puede prevenir el uso excesivo y la escorrentía de nitrógeno, un desafío financiero y ambiental al que se enfrentan muchos agricultores.
“Siento que muchas veces necesitamos aplicar menos fertilizante, y terminamos aplicando más, porque así lo indica la fórmula de eliminación de nitrógeno”, dijo Klein. “Pero con esta aplicación podemos usar menos porque conocemos las condiciones reales en ese momento. Creo que abre muchas puertas en cuanto a la obtención de datos en tiempo real y al uso del nivel de control que tenemos sobre ellos”.
La aplicación también puede agregar los escaneos y mapear patrones espaciales en un área grande.
«Lo que sabemos es que cada campo tiene una variabilidad que no es necesariamente visible a los ojos del agricultor», dijo Pourreza.
El prototipo de la herramienta Leaf Monitor es gratuito y forma parte de un conjunto de herramientas que se pueden descargar del sitio web del Laboratorio de Agricultura Digital . Próximamente se lanzará una versión web de la herramienta mientras el equipo continúa incorporando nuevos datos al algoritmo para refinar las predicciones. En promedio, alcanza una precisión de alrededor del 65 % en todas las características, y las predicciones para ciertos nutrientes, como el nitrógeno y el fósforo, superan el promedio general. Los usuarios deberán conectarla a un espectrómetro.
“Necesitamos producir más alimentos con menos recursos, por lo que necesitamos algún tipo de sistema de monitoreo que nos brinde información precisa y exacta sobre nuestras prácticas de gestión”, dijo Pourreza. “Esta tecnología está avanzando muy rápido”.
Sobrelías Redacción
Sobrelías Redacción