La técnica de IA conocida como “redes neuronales” se entrenó con imágenes satelitales de Santander, y predijo con eficacia que zonas como Barichara y El Socorro y sus alrededores tienen potencial para practicar la ganadería y la pesca. Esta herramienta se podría utilizar en todo el país para mejorar la identificación de zonas agrícolas, un proceso que con métodos convencionales suele ser lento y costoso.
Colombia posee un enorme potencial agrícola debido a la diversidad en sus pisos térmicos (templado, cálido, páramo y glaciar), que son ideales para la producción ganadera y para cultivar una amplia variedad de alimentos, que van desde frutas exóticas como el camu-camu de la Amazonia hasta el arroz, que está dentro del top de los productos más consumidos por los colombianos.
Estas zonas tienen variables determinadas como temperatura,
humedad, precipitación, fertilidad del suelo y disponibilidad de recursos hídricos,
entre otras, que las hacen propicias para las actividades agropecuarias. Sin
embargo, aún con estos datos como base, determinarlas no ha sido una tarea
fácil.
Un ejemplo de ello ha sido la creación y el desarrollo del
Sistema de Información para la Planificación Rural Agropecuaria (Sipra), que
permite consultar y analizar información relevante para la agricultura del
país, sobreponiéndola en mapas. Para que hoy esto fuera una realidad tuvieron
que pasar más de 5 años.
El aporte de esta propuesta
Sebastián Felipe Álvarez Montoya, magíster en Ingeniería de
Sistemas y Computación de la Universidad Nacional de Colombia (UNAL),
desarrolló un sistema de IA aprovechando imágenes satelitales de alta
resolución proporcionadas por la misión de observación terrestre Sentinel-2,
bajo la dirección de la Agencia Espacial Europea (ESA).
Una parte crucial de su investigación se enfocó en la
integración de estas imágenes con el mapa de planificación rural agropecuaria
del Sipra, para luego emplear el aprendizaje de máquina, o machine
learning, que le permite al sistema aprender de manera autónoma a partir de
los datos.
El investigador señala que, “como trabajamos sobre el mapa
Sipra, ya consideramos los factores climáticos y otros aspectos que afectan las
actividades agrícolas. A partir de esa información el sistema identificó
patrones en las imágenes que le permitieron determinar con gran precisión si la
zona era apta o no para la agricultura”.
También explica que “el área de prueba del modelo fue
específicamente hacia el sureste de Barrancabermeja, en Santander, en donde el
modelo predijo que Barichara, El Socorro y sus alrededores son zonas aptas para
realizar actividades agrícolas, lo cual concuerda con lo reportado antes”.
Además identificó áreas que no se pueden intervenir, como el
Parque Nacional Natural Serranía de los Yariguíes. Aunque estos ejemplos
parezcan muy evidentes, estos ejercicios permiten verificar que el sistema
funciona y luego aumentar el nivel de dificultad en otras tareas.
“El modelo mostró un ‘comportamiento correcto’, y esto
representa alrededor del 85 % de rendimiento en la tarea de identificar
bien las zonas agrícolas y las no agrícolas. Este avance nos permite optimizar
significativamente el tiempo necesario para estos procesos, los cuales
tradicionalmente podrían llevar años”, explica el magíster.
Con esto, el potencial de esta tecnología es significativo,
especialmente para el Gobierno colombiano, ya que la podría utilizar para
actualizar y agilizar la identificación de zonas aptas para la agricultura.
Además, los agricultores y campesinos se podrían beneficiar al saber si un
terreno es adecuado para sus cultivos antes de adquirirlo o realizar
actividades agrícolas.
El paso siguiente a esta investigación es caracterizar las
zonas para cultivos específicos, es decir que a través de este sistema se pueda
saber si determinada zona es apta para cultivar papa, por ejemplo.
No hay comentarios:
Publicar un comentario