Las imágenes aéreas son un componente valioso de la agricultura de precisión, ya que brindan a los agricultores información importante sobre la salud y el rendimiento de los cultivos. Las imágenes generalmente se obtienen con una costosa cámara multiespectral conectada a un dron. Pero un nuevo estudio de la Universidad de Illinois y la Universidad Estatal de Mississippi (MSU) muestra que las imágenes de una cámara estándar rojo-verde-azul (RGB) combinadas con el aprendizaje profundo de IA pueden proporcionar herramientas de predicción de cultivos equivalentes por una fracción del costo.

Las cámaras multiespectrales proporcionan mapas en color que representan la vegetación para ayudar a los agricultores a monitorear la salud de las plantas y detectar áreas problemáticas. Los índices de vegetación como el Índice de vegetación de diferencia normalizada (NDVI) y el Índice de borde rojo de diferencia normalizada (NDRE) muestran las áreas saludables en verde, mientras que las áreas problemáticas se muestran en rojo.

"Normalmente, para hacer esto, necesitaría tener una cámara de infrarrojo cercano (NIR) que cuesta alrededor de $5,000. Pero hemos demostrado que podemos entrenar a la IA para generar imágenes similares a NDVI usando una cámara RGB conectada a un dron de bajo costo , y eso reduce significativamente el costo", dice Girish Chowdhary, profesor asociado en el Departamento de Ingeniería Agrícola y Biológica de la U of I y coautor del artículo.

Para este estudio, el equipo de investigación recolectó imágenes aéreas de campos de maíz, soja y algodón en varias etapas de crecimiento con una cámara multiespectral y RGB. Utilizaron Pix2Pix, una red neuronal diseñada para la conversión de imágenes, para traducir las imágenes RGB en mapas de color NDVI y NDRE con áreas rojas y verdes. Después de entrenar primero la red con una gran cantidad de imágenes multiespectrales y regulares, probaron su capacidad para generar imágenes NDVI/NDRE a partir de otro conjunto de imágenes regulares.

"Hay un índice de verdor reflectante en las fotos que indica la eficiencia fotosintética. Se refleja un poco en el canal verde y mucho en el canal infrarrojo cercano. Pero hemos creado una red que puede extraerlo del canal verde mediante entrenándolo en el canal NIR. Esto significa que solo necesitamos el canal verde, junto con otra información contextual como píxeles rojos, azules y verdes", explica Chowdhary.

Para probar la precisión de las imágenes generadas por IA, los investigadores pidieron a un panel de especialistas en cultivos que vieran imágenes una al lado de la otra de las mismas áreas, ya sea generadas por IA o tomadas con una cámara multiespectral. Los especialistas indicaron si podían saber cuál era la verdadera imagen multiespectral y si notaban alguna diferencia que afectara su toma de decisiones.

Los expertos no encontraron diferencias observables entre los dos conjuntos de imágenes e indicaron que harían predicciones similares a partir de ambos. El equipo de investigación también probó la comparación de imágenes a través de procedimientos estadísticos, confirmando que prácticamente no había diferencias medibles entre ellas.

Joby Czarnecki, profesor de investigación asociado en MSU y coautor del artículo, advierte que esto no significa que los dos conjuntos de imágenes sean idénticos.

"Si bien no podemos decir que las imágenes proporcionen la misma información en todas las condiciones, para este problema en particular, permiten decisiones similares. La reflectancia del infrarrojo cercano puede ser muy crítica para algunas decisiones de la planta. Sin embargo, en este caso particular, es Es emocionante que nuestro estudio muestre que se puede reemplazar una tecnología costosa con inteligencia artificial económica y aun así llegar a la misma decisión", explica.

La vista aérea puede proporcionar información que es difícil de obtener desde el suelo. Por ejemplo, las áreas dañadas por tormentas o con deficiencias de nutrientes pueden no ser fácilmente visibles a la altura de los ojos, pero pueden detectarse fácilmente desde el aire. Los agricultores con las autorizaciones correspondientes pueden optar por volar sus propios drones, o pueden contratar a una empresa privada para que lo haga. De cualquier manera, los mapas de colores brindan información importante sobre la salud de los cultivos necesaria para las decisiones de manejo.

El software y los procedimientos de IA utilizados en el estudio están disponibles para las empresas que deseen implementarlo o expandir el uso entrenando la red en conjuntos de datos adicionales.

"La IA tiene mucho potencial para ayudar a reducir los costos, que es un factor clave para muchas aplicaciones en la agricultura. Si puede hacer que un dron de $600 sea más útil, entonces todos pueden acceder a él. Y la información ayudaría a los agricultores a mejorar el rendimiento y ser mejores administradores de su tierra", concluye Chowdhary.

El Departamento de Ingeniería Agrícola y Biológica se encuentra en la Facultad de Ciencias Agrícolas, del Consumidor y Ambientales y en la Facultad de Ingeniería Grainger de la Universidad de Illinois.

El documento, "Predicción de NDVI/NDRE a partir de imágenes aéreas RGB estándar utilizando aprendizaje profundo", se publicó en Computers and Electronics in Agriculture.