El equipo utiliz\u00f3 el aprendizaje autom\u00e1tico para analizar im\u00e1genes satelitales y de carreteras de \u00e1reas donde predominan las peque\u00f1as granjas y los datos agr\u00edcolas son escasos<\/p>\n
Los mapas de cultivos ayudan a los cient\u00edficos y formuladores de pol\u00edticas a rastrear los suministros mundiales de alimentos y estimar c\u00f3mo podr\u00edan cambiar con el cambio clim\u00e1tico y el crecimiento demogr\u00e1fico. Pero obtener mapas precisos de los tipos de cultivos que se cultivan de granja en granja a menudo requiere estudios sobre el terreno que s\u00f3lo un pu\u00f1ado de pa\u00edses tienen recursos para mantener.<\/p>\n
Ahora, los ingenieros del MIT han desarrollado un m\u00e9todo para etiquetar y mapear tipos de cultivos de manera r\u00e1pida y precisa sin necesidad de evaluaciones en persona de cada granja. El m\u00e9todo del equipo utiliza una combinaci\u00f3n de im\u00e1genes de Google Street View, aprendizaje autom\u00e1tico y datos satelitales para determinar autom\u00e1ticamente los cultivos que se cultivan en una regi\u00f3n, de una fracci\u00f3n de acre a la siguiente.<\/p>\n
Los investigadores utilizaron la t\u00e9cnica para generar autom\u00e1ticamente el primer mapa de cultivos a nivel nacional de Tailandia, un pa\u00eds de peque\u00f1os agricultores donde las peque\u00f1as granjas independientes constituyen la forma predominante de agricultura. El equipo cre\u00f3 un mapa de frontera a frontera de los cuatro principales cultivos de Tailandia (arroz, mandioca, ca\u00f1a de az\u00facar y ma\u00edz) y determin\u00f3 cu\u00e1l de los cuatro tipos se cultivaba, cada 10 metros y sin espacios, en todo el pa\u00eds. El mapa resultante logr\u00f3 una precisi\u00f3n del 93 por ciento, lo que, seg\u00fan los investigadores, es comparable a los esfuerzos de mapeo sobre el terreno en pa\u00edses de altos ingresos y grandes explotaciones agr\u00edcolas.<\/p>\n
El equipo est\u00e1 aplicando su t\u00e9cnica de mapeo a otros pa\u00edses como la India, donde las peque\u00f1as granjas sustentan a la mayor parte de la poblaci\u00f3n, pero hist\u00f3ricamente el tipo de cultivos que se cultivan de una granja a otra ha sido pobremente registrado.<\/p>\n
\u00abEs una brecha de larga data en el conocimiento sobre lo que se cultiva en todo el mundo\u00bb, dice Sherrie Wang, profesora asistente de desarrollo profesional d\u00b4Arbeloff en el Departamento de Ingenier\u00eda Mec\u00e1nica del MIT y el Instituto de Datos, Sistemas y Sociedad (IDSS). \u201cEl objetivo final es comprender los resultados agr\u00edcolas, como el rendimiento, y c\u00f3mo cultivar de forma m\u00e1s sostenible. Uno de los pasos preliminares clave es mapear lo que incluso se est\u00e1 cultivando: cuanto m\u00e1s detallado sea el mapeo, m\u00e1s preguntas podr\u00e1s responder\u201d.<\/p>\n
Wang, junto con el estudiante graduado del MIT Jordi Laguarta Soler y Thomas Friedel de la empresa de tecnolog\u00eda agr\u00edcola PEAT GmbH, presentar\u00e1n un art\u00edculo que detalla su m\u00e9todo de mapeo a finales de este mes en la Conferencia AAAI sobre Inteligencia Artificial.<\/p>\n
Las peque\u00f1as explotaciones suelen estar dirigidas por una sola familia o un agricultor, que subsiste con los cultivos y el ganado que cr\u00edan. Se estima que las peque\u00f1as explotaciones agr\u00edcolas sustentan a dos tercios de la poblaci\u00f3n rural del mundo y producen el 80 por ciento de los alimentos del mundo. Controlar qu\u00e9 se cultiva y d\u00f3nde es esencial para rastrear y pronosticar el suministro de alimentos en todo el mundo. Pero la mayor\u00eda de estas peque\u00f1as explotaciones se encuentran en pa\u00edses de ingresos bajos y medios, donde se dedican pocos recursos a realizar un seguimiento de los tipos de cultivos y rendimientos de las explotaciones individuales.<\/p>\n
Los esfuerzos de mapeo de cultivos se llevan a cabo principalmente en regiones de altos ingresos como Estados Unidos y Europa, donde las agencias agr\u00edcolas gubernamentales supervisan los estudios de cultivos y env\u00edan asesores a las granjas para etiquetar los cultivos de un campo a otro. Estas etiquetas de \u201cverdad sobre el terreno\u201d luego se introducen en modelos de aprendizaje autom\u00e1tico que establecen conexiones entre las etiquetas sobre el terreno de cultivos reales y las se\u00f1ales satelitales de los mismos campos. Luego etiquetan y mapean franjas m\u00e1s amplias de tierras agr\u00edcolas que los evaluadores no cubren pero que los sat\u00e9lites s\u00ed cubren autom\u00e1ticamente.<\/p>\n
\u201cLo que falta en los pa\u00edses de ingresos bajos y medios es esta etiqueta terrestre que podamos asociar a las se\u00f1ales de sat\u00e9lite\u201d, afirma Laguarta Soler. \u00abEn primer lugar, conseguir estas verdades b\u00e1sicas para entrenar un modelo ha sido limitado en la mayor parte del mundo\u00bb.<\/p>\n
El equipo se dio cuenta de que, si bien muchos pa\u00edses en desarrollo no tienen los recursos para realizar estudios de cultivos, podr\u00edan utilizar otra fuente de datos terrestres: im\u00e1genes al borde de las carreteras, capturadas por servicios como Google Street View y Mapillary, que env\u00edan autom\u00f3viles a lo largo de una regi\u00f3n para Tome im\u00e1genes continuas de 360 \u200b\u200bgrados con c\u00e1maras para salpicadero y c\u00e1maras en el tejado.<\/p>\n
En los \u00faltimos a\u00f1os, estos servicios han podido acceder a pa\u00edses de ingresos bajos y medios. Si bien el objetivo de estos servicios no es espec\u00edficamente capturar im\u00e1genes de cultivos, el equipo del MIT vio que pod\u00edan buscar im\u00e1genes al borde de la carretera para identificar cultivos.<\/p>\n
En su nuevo estudio, los investigadores trabajaron con im\u00e1genes de Google Street View (GSV) tomadas en toda Tailandia, un pa\u00eds que el servicio ha fotografiado recientemente con bastante detalle y que se compone predominantemente de peque\u00f1as granjas.<\/p>\n
A partir de m\u00e1s de 200.000 im\u00e1genes de GSV tomadas al azar en toda Tailandia, el equipo filtr\u00f3 im\u00e1genes que representaban edificios, \u00e1rboles y vegetaci\u00f3n en general. Alrededor de 81.000 im\u00e1genes estaban relacionadas con cultivos. Reservaron 2.000 de estos, que enviaron a un agr\u00f3nomo, quien determin\u00f3 y etiquet\u00f3 a ojo cada tipo de cultivo. Luego entrenaron una red neuronal convolucional para generar autom\u00e1ticamente etiquetas de cultivos para las otras 79.000 im\u00e1genes, utilizando varios m\u00e9todos de entrenamiento, incluido iNaturalist, una base de datos de biodiversidad basada en la web, y GPT-4V, un \u00abmodelo de lenguaje grande multimodal\u00bb que permite al usuario para ingresar una imagen y pedirle al modelo que identifique lo que representa la imagen. Para cada una de las 81.000 im\u00e1genes, el modelo gener\u00f3 una etiqueta de uno de los cuatro cultivos que probablemente representaba la imagen: arroz, ma\u00edz, ca\u00f1a de az\u00facar o yuca.<\/p>\n
Luego, los investigadores emparejaron cada imagen etiquetada con los datos satelitales correspondientes tomados del mismo lugar durante una sola temporada de crecimiento. Estos datos satelitales incluyen mediciones en m\u00faltiples longitudes de onda, como el verdor de un lugar y su reflectividad (que puede ser una se\u00f1al de agua).<\/p>\n
\u00abCada tipo de cultivo tiene una caracter\u00edstica determinada en estas diferentes bandas, que cambia a lo largo de la temporada de crecimiento\u00bb, se\u00f1ala Laguarta Soler.<\/p>\n
El equipo entren\u00f3 un segundo modelo para hacer asociaciones entre los datos satelitales de una ubicaci\u00f3n y su etiqueta de cultivo correspondiente. Luego utilizaron este modelo para procesar datos satelitales tomados del resto del pa\u00eds, donde las etiquetas de cultivos no se generaron o no estaban disponibles. A partir de las asociaciones que aprendi\u00f3 el modelo, asign\u00f3 etiquetas de cultivos en toda Tailandia, generando un mapa de tipos de cultivos en todo el pa\u00eds, con una resoluci\u00f3n de 10 metros cuadrados.<\/p>\n
Este mapa de cultivos, el primero de su tipo, inclu\u00eda ubicaciones correspondientes a las 2.000 im\u00e1genes de GSV que los investigadores reservaron originalmente y que fueron etiquetadas por los arbolistas. Estas im\u00e1genes etiquetadas por humanos se utilizaron para validar las etiquetas del mapa, y cuando el equipo mir\u00f3 para ver si las etiquetas del mapa coincid\u00edan con las etiquetas de \u00abest\u00e1ndar de oro\u00bb de los expertos, lo hizo el 93 por ciento de las veces.<\/p>\n
\u00abEn EE.UU., tambi\u00e9n estamos observando una precisi\u00f3n de m\u00e1s del 90 por ciento, mientras que en trabajos anteriores en la India, s\u00f3lo hemos visto un 75 por ciento porque las etiquetas terrestres son limitadas\u00bb, dice Wang. \u00abAhora podemos crear estas etiquetas de forma econ\u00f3mica y automatizada\u00bb.<\/p>\n
Los investigadores est\u00e1n trabajando para mapear cultivos en toda la India, donde recientemente est\u00e1n disponibles im\u00e1genes al borde de la carretera a trav\u00e9s de Google Street View y otros servicios.<\/p>\n
\u00abHay m\u00e1s de 150 millones de peque\u00f1os agricultores en la India\u00bb, afirma Wang. \u00abLa India est\u00e1 cubierta de agricultura, casi granjas de pared a pared, pero granjas muy peque\u00f1as, e hist\u00f3ricamente ha sido muy dif\u00edcil crear mapas de la India porque hay muy pocas etiquetas de terreno\u00bb.<\/p>\n
El equipo est\u00e1 trabajando para generar mapas de cultivos en la India, que podr\u00edan usarse para informar pol\u00edticas relacionadas con la evaluaci\u00f3n y el aumento de los rendimientos, a medida que aumentan las temperaturas y las poblaciones globales.<\/p>\n
\u00abLo que ser\u00eda interesante ser\u00eda crear estos mapas a lo largo del tiempo\u00bb, afirma Wang. \u00abEntonces se podr\u00edan empezar a ver tendencias y podemos intentar relacionar esas cosas con cualquier cosa, como cambios en el clima y las pol\u00edticas\u00bb.<\/p>\n
Fuente:<\/em> Jennifer Chu <\/em>|<\/em> MIT News<\/em><\/p>\n","protected":false},"excerpt":{"rendered":" El equipo utiliz\u00f3 el aprendizaje autom\u00e1tico para analizar im\u00e1genes satelitales y de carreteras de \u00e1reas donde predominan las peque\u00f1as granjas y los datos agr\u00edcolas son escasos Los mapas de cultivos ayudan a los cient\u00edficos y formuladores de pol\u00edticas a rastrear los suministros mundiales de alimentos y estimar c\u00f3mo podr\u00edan cambiar con el cambio clim\u00e1tico y\u2026<\/p>\n","protected":false},"author":2,"featured_media":17570,"comment_status":"closed","ping_status":"closed","sticky":false,"template":"","format":"standard","meta":{"_scj_primary_category_id":75,"_scj_featured":false,"_scj_featured_from":"","_scj_featured_until":"","_scj_featured_order":0,"_scj_visibility_class":"current","_scj_layout_family":"standard","_scj_article_style":"","_scj_display_overrides":[],"_scj_intro_image_id":17570,"_scj_intro_alt":"Investigadores del MIT mapean de forma remota los cultivos, campo por campo","_scj_intro_caption":"","_scj_intro_class":"","_scj_intro_float":"","_scj_full_image_id":17570,"_scj_full_alt":"Investigadores del MIT mapean de forma remota los cultivos, campo por campo","_scj_full_caption":"","_scj_full_class":"","_scj_full_float":"","_scj_media_type":"","_scj_media_provider":"","_scj_media_external_id":"","_scj_media_url":"","_scj_media_poster_id":0,"_scj_media_width":0,"_scj_media_height":0,"_scj_media_aspect_ratio":"","_scj_media_description":"","_scj_gallery_items":[],"_scj_related_post_ids":[],"_scj_additional_authors":[],"scj_layout_family":"standard","scj_media_provider":"","scj_media_url":"","scj_full_caption":"","footnotes":""},"categories":[75],"tags":[],"class_list":["post-17571","post","type-post","status-publish","format-standard","has-post-thumbnail","hentry","category-agri-tech"],"yoast_head":"\n