Investigadores del INTA presentaron una metodología que diferencia la alfalfa de las malezas usando imágenes de drones comerciales y algoritmos de aprendizaje automático.
La iniciativa busca ofrecer un diagnóstico rápido y accesible para evaluar la cobertura vegetal y decidir si es necesario intervenir o renovar el cultivo.
ALFALFA “VERDE SOBRE VERDE”
El principal escollo técnico es el escenario conocido como “verde sobre verde”, donde alfalfa y malezas crecen simultáneamente y se parecen a simple vista.
Ante el alto costo de cámaras multiespectrales, los técnicos apostaron por sensores RGB convencionales montados en drones de uso masivo para abaratar la solución.
Laura Cano, especialista del INTA Catamarca, explicó que en economías regionales el precio del equipamiento suele limitar la adopción de tecnologías más complejas.
Los investigadores utilizaron algoritmos de Machine Learning como CatBoost para clasificar las especies y aislar la cobertura útil del cultivo aun cuando todo el lote está verde y en desarrollo.
La evaluación se realizó en dos momentos del cultivo: durante el crecimiento activo y 45 días después del corte, cuando la alfalfa y las malezas mostraban estados vegetativos distintos.
Ese diseño permitió comparar la performance del modelo en condiciones de alta similitud visual y en condiciones más contrastadas del lote.
DRONES PARA AYUDAR A LA ALFALFA
La prueba se ejecutó en un lote de 3,3 hectáreas del Campo Anexo Santa Cruz de la Estación Experimental Agropecuaria Catamarca, con un dron DJI Air 3S a 40 metros de altura.
Se realizaron dos vuelos en diferentes momentos del ciclo para generar las imágenes que luego fueron procesadas por los algoritmos.
Carlos Navarro, técnico del INTA Marcos Juárez, destacó la consistencia de los resultados y la utilidad agronómica del diagnóstico para la toma de decisiones.
El contraste entre ambas fechas permitió validar la capacidad de la herramienta para discriminar cobertura de cultivo bajo condiciones visuales disímiles.
UN DIAGNÓSTICO PARA DECIDIR EL FUTURO DEL LOTE
El análisis arrojó que la superficie neta de alfalfa fue de 45,2 % en la primera fecha y de 49,1 % en la segunda, con una variación de apenas 3,9 % entre relevamientos.
Los técnicos advirtieron que, además de validar la técnica, el estudio evidenció un lote degradado donde casi la mitad de la superficie estaba desaprovechada.
Las imágenes se procesaron con CatBoost sobre plataformas de código abierto como QGIS y WebODM, lo que reduce barreras de acceso para productores y asesores técnicos.
Ese enfoque facilita la generación de alertas tempranas y aporta un diagnóstico rápido para orientar intervenciones de manejo o la decisión de renovar el cultivo.
La combinación de cámaras RGB accesibles y algoritmos de clasificación supervisada demuestra que la agricultura de precisión puede incorporarse al manejo forrajero sin depender de equipamiento especializado de alto costo.
Para productores y técnicos, la herramienta ofrece una alternativa práctica para estimar la ocupación real del cultivo y priorizar acciones que mejoren la productividad y reduzcan pérdidas por competencia de malezas.
