Inteligencia artificial anticipa daños en pastos por encharcamiento

 Comparando cómo responden distintos pastos a suelos saturados por exceso de agua —una condición que puede reducir entre el 20 y 40 % la producción de alimento para el ganado—, un estudio identificó que el pasto Urochloa humidicola es el más resistente, seguido por Cayman y Mulato II (ambos del género Brachiaria). Este resultado fue posible gracias al uso de sensores e inteligencia artificial que permitieron detectar tempranamente el deterioro de las plantas y comparar con mayor precisión su comportamiento frente a estas condiciones

El avance fue desarrollado por el ingeniero agrónomo Rodrigo Andrés Camelo Munévar, estudiante de la Maestría en Ciencias Agrarias de la Universidad Nacional de Colombia (UNAL) Sede Palmira, quien evaluó cómo responden distintos genotipos de pastos del género Urochloa —ampliamente utilizados en sistemas ganaderos tropicales— frente a suelos saturados por exceso de agua.

La investigación se realizó en el Centro Internacional de Agricultura Tropical (CIAT), en donde se conservan y estudian colecciones de semillas de forrajes tropicales empleadas en programas de mejoramiento genético.

El encharcamiento del suelo ocurre cuando este se satura de agua y limita la disponibilidad de oxígeno para las raíces, lo que afecta procesos como la fotosíntesis, la respiración y la absorción de nutrientes, reduciendo el crecimiento de las plantas y su capacidad de producir forraje.

En regiones ganaderas de Colombia como los Llanos Orientales, en donde son frecuentes las lluvias intensas y el drenaje es deficiente, este fenómeno representa un riesgo constante, por lo que anticipar sus efectos es fundamental para reducir pérdidas y mejorar el manejo de los cultivos.

Además de la detección temprana, los resultados confirmaron que Urochloa humidicola es el material más tolerante al encharcamiento, debido a su mayor capacidad de adaptación a suelos con baja disponibilidad de oxígeno, seguido por Cayman y Mulato II, mientras que Marandú (Brachiaria brizantha) y Camello presentaron mayor susceptibilidad.

Esta diferenciación es importante para los programas de mejoramiento genético, ya que permite seleccionar variedades más resistentes y orientar recomendaciones para los productores en función de las condiciones del terreno.

Sensores que ven lo que el ojo no alcanza

El experimento se realizó bajo condiciones controladas en el invernadero del CIAT, en donde el tesista evaluó 5 genotipos de pastos: Marandú, Mulato II, Cayman, Camello y U. humidicola. Por cerca de 20 días las plantas se sometieron tanto a condiciones óptimas de humedad como de encharcamiento mientras se registraban datos sobre su crecimiento, reflectancia y eficiencia fotosintética.

Uno de los aportes más relevantes fue el uso de imágenes hiperespectrales, una tecnología que capta información en rangos de luz que el ojo humano no percibe. Mientras la visión humana se limita al espectro visible, estas cámaras registran longitudes de onda entre aproximadamente 300 y 1.000 nanómetros, lo que permite identificar cambios fisiológicos y bioquímicos en las plantas antes de que sean visibles.

Los resultados mostraron que los modelos que combinan información hiperespectral, variables de eficiencia fotosintética y datos de cámaras RGB fueron los más precisos para detectar el deterioro de las plantas, con niveles de exactitud entre 0,80 y 0,92.

En contraste, los modelos basados solo en imágenes RGB presentaron menor capacidad, lo que confirma que los cambios visibles en las plantas aparecen en etapas más avanzadas del problema.

“Uno de los hallazgos más relevantes fue que el deterioro de las plantas por encharcamiento se puede detectar desde el segundo día mediante el uso combinado de sensores e inteligencia artificial, lo que representa una mejora frente a los métodos tradicionales, que pueden tardar hasta 21 días, y en muchos casos requieren destruir las muestras para su análisis” explica el investigador.

Esta herramientas abre la puerta a una agricultura más precisa, en la que es posible tomar decisiones tempranas para reducir pérdidas y optimizar la producción.

Además, este enfoque se podría aplicar en la detección temprana de otros problemas como plagas, enfermedades o deficiencias nutricionales, ampliando su impacto en el sector agropecuario.

 

Inteligencia artificial (IA) sería una aliada en la reproducción de ñame silvestre

 Aunque hasta ahora la reproducción de una especie silvestre de ñame que crece en Antioquia, Bolívar y Chocó era todo un misterio, un estudio apoyado en la IA reveló que, a diferencia de otros parientes que florecen entre abril y junio, esta planta lo hace todo el año, lo que facilita la polinización y su reproducción; además, con dicha tecnología se identificó su sexo con un 90 % de precisión, un aporte fundamental, ya que las flores masculinas y femeninas crecen en plantas separadas que deben coincidir para asegurar su reproducción.

Una de las principales dificultades para estudiar la reproducción del género Dioscorea (familia Dioscoreaceae), al que pertenece el ñame, es que sus flores son diminutas y similares entre sí, lo que hace difícil distinguir entre machos y hembras a simple vista. En los herbarios, donde las muestras están secas y prensadas, se pierden detalles clave para su identificación.

Además, “la mayoría de especímenes recolectados han sido de plantas macho, lo que deja un vacío importante en el conocimiento de su reproducción”, explica la bióloga Laura Jineth Pardo Castro, de la Universidad Nacional de Colombia (UNAL) Sede Bogotá, quien durante su pasantía de investigación en la Universidad Purdue (Estados Unidos) analizó las especies Dioscorea villosa, de Norteamérica, y Dioscorea polygonoides, de Colombia, para comprender sus patrones de floración y evaluar cómo se podrían ver afectadas por el cambio climático.

En Colombia el ñame es mucho más que un tubérculo, es un alimento esencial en la región Caribe, donde especies como D. alata y D. rotundata forman parte de la gastronomía tradicional como sustituto de la papa o la yuca en preparaciones como sopas –como por ejemplo el mote de queso–, purés y hasta dulces.

Así mismo, este género de plantas está presente en Norteamérica, donde especies como el ñame silvestre se usan en medicina tradicional para elaborar extractos con posibles propiedades antiinflamatorias y hormonales.

De otra parte, el mundo está experimentando cambios drásticos en el clima que afectan los ecosistemas y están alterando los ciclos reproductivos de las plantas.

En Colombia más de 30.000 familias dependen del cultivo del ñame, la mayoría pequeños productores. Si el clima altera la floración en especies silvestres, los cultivos también se podrían ver afectados, poniendo en riesgo la producción y la seguridad alimentaria. En este contexto, la IA se convierte en una aliada para la conservación y la seguridad alimentaria, ayudando a predecir y mitigar los efectos del cambio climático en cultivos esenciales como el ñame.

IA descifra la biología de las dioscóreas

El estudio de la bióloga Pardo reveló que en D. villosa –conocida en Estados Unidos como ñame silvestre– los machos florecen antes que las hembras y solo entre abril y julio, cuando las lluvias favorecen su crecimiento, y los polinizadores, como moscas y escarabajos, transportan el polen,  por lo que si el cambio climático altera estos patrones el desfase en la floración se podría agravar y dificultar su reproducción.

Por otro lado, D. polygonoides, también conocida como matagallina o gunda, florece durante todo el año, lo que facilita la polinización y su reproducción. Así, su capacidad para producir flores en cualquier momento la haría más resistente a cambios climáticos, ya que no depende de una estación específica para reproducirse.

“Entender dinámicas que antes no se habían descrito con tanto detalle permitirá en futuras investigaciones medir el papel de la variabilidad climática en la floración de estas especies; por ejemplo, podríamos investigar si el desfase en el florecimiento de machos y hembras en el ñame silvestre ha estado relacionado con el histórico aumento de la temperatura”, explica.

Para obtener estos resultados, la investigadora utilizó LeafMachine2, un software de IA diseñado para analizar imágenes de plantas. El trabajo fue dirigido por los profesores Daniel Park (Universidad Purdue) y Lauren Raz (Instituto de Ciencias Naturales de la UNAL).

El equipo analizó miles de imágenes de D. villosa y D. polygonoides provenientes de bases de datos científicas como el Herbario Nacional Colombiano, el Centro Mundial de Información sobre Biodiversidad (GBIF) y la plataforma colaborativa iNaturalist, en la que cualquier persona puede subir fotos de plantas.

El software LeafMachine2, basado en redes neuronales artificiales, identificó automáticamente el sexo de las flores con más del 90 % de precisión, determinando su tamaño, forma y fase de desarrollo. Lo que antes tomaba meses de análisis manual, ahora se resuelve en minutos, facilitando el estudio de plantas con flores difíciles de clasificar.

La investigación no solo aporta información clave sobre la reproducción de las dioscóreas silvestres, sino que además plantea interrogantes sobre el futuro de las especies cultivadas en Colombia. Aunque el estudio se centró en las dos especies ya mencionadas, los hallazgos ayudarían a comprender cómo el cambio climático afectará cultivos como el ñame diamante (D. trifida), el ñame morado (D. alata) y el ñame criollo (D. rotundata).

Inteligencia artificial (IA) identifica zonas aptas para la agricultura en Colombia

 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.