El uso de drones es cada vez más frecuente en la agricultura, permitiendo la captura en tiempo real de datos a través de imágenes hiperespectrales que brindran información de las plantas con una alta resolución espacial, permitiendo al agricultor tomar acciones eficientes sobre la gestión del cultivo.
En el artículo titulado High-Throughput Biomass Estimation in Rice Crops Using UAV Multispectral Imagery del proyecto 4, liderado por el profesor Julián Colorado, se describen los ensayos realizados en los cultivos de arroz de CIAT, donde se analiza la implementación de una plataforma de fenotipificación, los tipo de sensores usados y los algoritmos de machine learning o inteligencia artificial desarrollados para procesar imágenes multiespectrales.
En este estudio se usaron robots aéreos con la autonomía suficiente para sobrevolar cultivos de gran tamaño, capturando imágenes multiespectrales geo-referenciadas para la posterior estimación de variables de cultivo, como la biomasa y el nitrógeno en hoja. Ambas variables son sensibles a los cambios de reflactancia de la luz, por lo tanto, es posible analizar diferentes longitudes de onda sobre las imágenes, con el fin de correlacionar ciertas características en la imagen con los cambios en biomasa acumulada y nitrógeno. Estas características se denominan: Indices Vegetativos.
Utilizando algoritmos de Machine-Learning, se definen los modelos matemáticos y computaciones necesarios para lograr las correlaciones entre las imágenes, los índices vegetativos, y las variables de cultivo a estimar. En este trabajo, se logró la integración de una plataforma de bajo costo para estimar biomasa con una precisión por encima del 80% para todas las fases del cultivo, desde la siembra hasta la etapa vegetativa. Estas herramientas le permitirán al agricultor tener información sobre el comportamiento de su cultivo, medir su rendimiento y tomar decisiones para obtener una mayor producción.
