Los sistemas de integración cultivo-ganadería (CLI) combinan el cultivo de cultivos en rotación o en consorcio, especialmente cultivos de cereales como la soja, el maíz y el sorgo, y plantas forrajeras utilizadas para alimentar al ganado vacuno y porcino, con la cría de ganado, normalmente ganado vacuno.
por Thais Szegö, FAPESP
![Mapas temáticos finales de cobertura y uso del suelo en los sitios de estudio: Fazenda Campina en São Paulo (SS1) y Fazenda Gravataí en Mato Grosso (SS2), que muestran resultados de aprendizaje profundo y análisis de series temporales. Crédito: Inácio Thomaz Bueno El método combina inteligencia artificial e imágenes satelitales para mapear sistemas de integración de cultivos y ganado.](https://scx1.b-cdn.net/csz/news/800a/2024/method-combines-artifi.jpg)
Los cultivos proporcionan la mayor parte de los ingresos en efectivo, mientras que el ganado tiene alimentos disponibles durante la estación seca y facilita el manejo de semillas.
CLI mejora la fertilidad del suelo , aumenta los rendimientos y ayuda a rehabilitar áreas degradadas al tiempo que reduce el uso de pesticidas, mitiga el riesgo de erosión y la estacionalidad de la producción, y reduce los costos operativos. Hace que la agricultura sea más sostenible: los cultivos benefician al ganado y viceversa; cae el impacto ambiental de la actividad agrícola; y se reduce la huella de carbono.
En un estudio publicado en la revista Teledetección del Medio Ambiente , investigadores afiliados a la Empresa Brasileña de Investigación Agrícola (EMBRAPA) y a la Universidad Estadual de Campinas (Unicamp) desarrollaron un método basado en inteligencia artificial (IA) para identificar áreas CLI mediante análisis satelitales. imágenes. Según los autores del artículo, este conocimiento puede beneficiar a la agricultura brasileña de varias maneras.
«El objetivo principal del proyecto, que era una colaboración internacional para abordar cuestiones relacionadas con la agricultura sostenible , era promover la integración de datos de teledetección con imágenes de satélite utilizando IA, agricultura de precisión y modelos biogeoquímicos para comprender y crear modelos de la dinámica de este tipo de sistema», afirmó Inácio Thomaz Bueno, primer autor del artículo. Bueno, ingeniero forestal, realizó una investigación postdoctoral sobre el monitoreo de sistemas CLI utilizando datos de teledetección e imágenes satelitales con alta resolución espaciotemporal.
«También nos propusimos aumentar el conocimiento de CLI, dadas las muchas preguntas aún abiertas y la falta de métodos efectivos para monitorear y desarrollar su potencial, así como la necesidad de identificar áreas en las que se está practicando, en línea con el Objetivo Sostenible de la ONU. Objetivos de Desarrollo Económico [ODS] relacionados con la agricultura, el medio ambiente y el desarrollo económico y social», afirmó.
El equipo utilizó técnicas de aprendizaje profundo para procesar series temporales de imágenes satelitales y extraer patrones que apuntan a áreas donde se practicaba CLI. El aprendizaje profundo es un tipo de IA que utiliza redes neuronales con múltiples capas para modelar y procesar patrones complejos en los datos.
Los sitios de estudio fueron áreas de los estados de São Paulo y Mato Grosso. El análisis de imágenes basado en objetos se realizó en intervalos de 10 y 15 días en cuatro pasos: adquisición de datos CLI a través de Planetscope, una constelación de satélites que captura imágenes de alta resolución de la superficie de la Tierra, que muestran cambios en las áreas a lo largo del tiempo; entrenamiento de algoritmos para reconocer patrones asociados con CLI; mapeo de áreas CLI; y evaluación de la precisión del modelo comparando los resultados automáticos con el conocimiento previo.
Para Bueno, los resultados prometedores obtenidos con este método, que implicó monitorear y mapear áreas CLI a través de imágenes satelitales y analizar su dinámica en el tiempo, pueden tener varios tipos de impactos positivos en la agricultura.
«La identificación precisa de las áreas CLI permite una gestión más eficiente de los recursos para optimizar la asignación y el uso de la tierra. Además, la diversificación de actividades ofrece a los agricultores una fuente adicional de ingresos», afirmó.
La información detallada derivada del mapeo CLI también proporciona una base sólida para la toma de decisiones por parte de los agricultores, quienes pueden estar seguros de que sus políticas de inversión y manejo de cultivos y ganado están basadas en la ciencia.
Otro beneficio del enfoque es que fomenta la agricultura sostenible. El reconocimiento y el mapeo de áreas CLI pueden respaldar políticas y programas gubernamentales para promover prácticas sostenibles, contribuyendo a la regularidad del suministro de alimentos y los ingresos a través de incentivos financieros y líneas de crédito específicas que respalden la adopción de sistemas integrados.
Más información: Inacio T. Bueno et al, Mapeo de sistemas integrados de cultivo y ganadería en Brasil con series temporales de planetscope y aprendizaje profundo, Teledetección del Medio Ambiente (2023). DOI: 10.1016/j.rse.2023.113886
![](https://mundoagropecuario.net/wp-content/uploads/2024/04/leer-4-4-24.jpg)