Un nuevo estudio presenta una herramienta de aprendizaje automático que combina imágenes satelitales y datos meteorológicos para monitorear la salud de los cultivos de garbanzos. Esta investigación marca la primera aplicación a gran escala de dicha tecnología en el cultivo de garbanzos.
Un nuevo estudio publicado ofrece a los agricultores de garbanzos una poderosa herramienta para tomar decisiones de riego más inteligentes y mejorar el rendimiento de los cultivos, gracias a los datos satelitales y el aprendizaje automático.
Dirigida por el candidato a doctorado Omer Perach bajo la supervisión del Dr. Ittai Herrmann en el Instituto de Ciencias Vegetales y Genética en Agricultura de la Universidad Hebrea de Jerusalem, la investigación integra imágenes satelitales Sentinel-2 de alta resolución con datos meteorológicos para estimar indicadores clave de salud vegetal: Índice de Área Foliar (LAI) y Potencial de Agua de la Hoja (LWP).
Estos indicadores juegan un papel fundamental en la comprensión del desarrollo del dosel y el estrés hídrico en el garbanzo, un cultivo vital para las regiones semiáridas de todo el mundo.
Al combinar la ciencia de datos con la agronomía, los investigadores desarrollaron modelos de aprendizaje automático que pueden predecir las condiciones fisiológicas en todo el campo en los campos comerciales de garbanzos.
De manera crucial, probaron los modelos utilizando una estrategia de “dejar el campo fuera”, imitando las condiciones del mundo real donde no se han utilizado nuevos campos previamente para entrenar los modelos, lo que hace que la herramienta sea relevante y confiable para el uso práctico.
“Nuestro objetivo era crear algo que no solo funcionara en el laboratorio, sino que ayudara a los agricultores en el campo”, dijo el autor principal Omer Perach. “Con este sistema, podemos ofrecer a los productores mapas espaciales del desarrollo de las plantas y el estado del agua en todo su campo. Este tipo de información permite un riego más preciso y oportuno”.
Los modelos lograron una alta precisión para estimar el índice de área foliar y pudieron distinguir entre diferentes niveles de estrés hídrico, incluso bajo variabilidad del mundo real en 17 campos comerciales. Al superponer mapas fisiológicos con programas de riego, los investigadores mostraron cómo los agricultores podían responder de manera preventiva a las necesidades de los cultivos y mejorar los resultados de rendimiento.
“La respuesta de las plantas de garbanzo a los regímenes de riego se puede observar desde el espacio”, dijo el Dr. Ittai Herrmann. “Lo que hemos desarrollado es una forma escalable de detectar la variabilidad dentro del campo utilizando datos satelitales gratuitos y entradas de estaciones meteorológicas estándar. Esto ayuda a transformar la agricultura basada en la intuición en una gestión basada en datos”.
El estudio sienta las bases para integrar estos modelos en plataformas como Google Earth Engine, donde los agricultores de todo el mundo pueden acceder a ellos, incluso en regiones con infraestructura técnica limitada.
La investigación fue apoyada por el Fondo de Investigación Intramuros de la Universidad Hebrea, la Asociación de Agricultores de Cultivos Extensivos en Israel y el Ministerio de Agricultura y Seguridad Alimentaria de Israel.
El artículo de investigación titulado “Integrating Sentinel-2 imagery and meteorological data to estimate leaf area index and leaf water potential, with a leave-field-out validation strategy in chickpea fields”, ya está disponible en European Journal of Agronomy.
Investigadores:
Omer Perach1, Neta Solomon1, Asaf Avneri1, Or Ram2, Shahal Abbo1, Ittai Herrmann1.
Instituciones:
1) Instituto de Ciencias Vegetales y Genética en Agricultura, Facultad de Agricultura, Alimentación y Medio Ambiente, Universidad Hebrea de Jerusalem.
2) Servicio de Extensión, Ministerio de Agricultura y Desarrollo Rural.
