Un nuevo estudio de la Universidad Estatal de Carolina del Norte combina imágenes satelitales con tecnología de aprendizaje automático para ayudar a modelar la productividad de los cultivos de arroz de forma más rápida y precisa.
Por Joey Pitchford, Universidad Estatal de Carolina del Norte
La herramienta podría ayudar a los responsables de la toma de decisiones de todo el mundo a evaluar mejor cómo y dónde plantar arroz, que es la principal fuente de energía para más de la mitad de la población mundial.
El estudio se centró en Bangladesh, que es el tercer mayor productor de arroz del mundo . El país también es el sexto país más vulnerable del mundo al cambio climático, ya que la destrucción de los cultivos de arroz por las inundaciones ha provocado inseguridad alimentaria .
Las técnicas tradicionales de monitoreo de cultivos no han podido seguir el ritmo del cambio climático , dijo Varun Tiwari, estudiante de doctorado en NC State y autor principal del estudio publicado en PLOS ONE .
«Para estimar la productividad de los cultivos, la gente de Bangladesh utiliza datos de campo. Van físicamente al campo, cosechan un cultivo y luego entrevistan al agricultor, y luego elaboran un informe sobre eso. Es un proceso que requiere mucho tiempo y trabajo. Además, el método agrega imprecisiones cuando las estimaciones del rendimiento del arroz se basan solo en unas pocas muestras en lugar de datos de todos los campos, lo que dificulta su ampliación a nivel nacional», dijo Tiwari.
«Eso significa que no tienen esa información a tiempo para tomar decisiones sobre exportaciones, importaciones o precios de los cultivos. También limita su capacidad para tomar decisiones a largo plazo, como modificar los cultivos, introducir variedades de arroz resistentes al clima o cambiar los patrones de cultivo del arroz».
Los investigadores utilizaron una serie de imágenes del mismo lugar tomadas a intervalos regulares (conocidas como imágenes satelitales de series temporales ) para medir las condiciones de vegetación y crecimiento, el contenido de agua de los cultivos y las condiciones del suelo en esos lugares. Al combinar esos datos satelitales con datos de campo, los investigadores entrenaron su modelo de aprendizaje automático para estimar con mayor precisión la productividad del cultivo de arroz para el período de 2002 a 2021.
«Con este modelo, podemos ver, por ejemplo, que una zona está funcionando bien y otra no tanto como debería. Si tenemos una zona muy productiva, podemos decidir construir más capacidad de almacenamiento en esa zona o invertir más en transporte allí», dijo Tiwari. «Como esa información está disponible mucho antes, les da a los que toman las decisiones tiempo suficiente para tomar buenas decisiones sobre cómo asignar sus recursos».
Aunque el modelo se encuentra en las primeras etapas de investigación, los resultados han sido positivos. La precisión ha oscilado entre el 90% y el 92%, con una incertidumbre de alrededor del 2%, que se refiere al margen de error del modelo. Cuando se desarrolle más, el modelo podría adaptarse a diferentes tipos de cultivos en diversos paisajes, dijo Tiwari.
«Bangladesh era el lugar ideal para empezar, ya que el 90% de la población incluye arroz en su dieta diaria. La agricultura, principalmente el cultivo de arroz, contribuye con alrededor de una sexta parte de su PIB nacional. Para ellos es muy importante tener estas estimaciones correctas, y esa era una demanda que podíamos satisfacer», dijo Tiwari. «Si podemos obtener conjuntos de datos similares de otras regiones, podemos aplicar este mismo marco allí. Ya sea en Estados Unidos, la India o un país africano, queremos que este método sea reproducible».
Esta investigación fue el resultado de una colaboración entre las partes interesadas, los investigadores y los encargados de formular políticas. Además de la Universidad Estatal de Carolina del Norte, participaron organizaciones como el Departamento de Agricultura de los Estados Unidos, el Centro Internacional de Mejoramiento del Maíz y el Trigo y el Instituto de Investigación del Arroz de Bangladesh para garantizar el uso de las mejores prácticas científicas para la toma de decisiones informadas.
Más información: Varun Tiwari et al., Advancing food security: Rice yield estimation framework using time-series satellite data & machine learning, PLOS ONE (2024). DOI: 10.1371/journal.pone.0309982
