Investigadores del INTA Pergamino desarrollaron modelos basados en imágenes aéreas de alta resolución para estimar la fracción de radiación solar interceptada por el cultivo, una variable vinculada con la producción de biomasa y el rendimiento.

Los resultados, con más del 92% de precisión en híbridos comerciales, abren nuevas posibilidades para agilizar el fenotipado y fortalecer los programas de mejoramiento genético. Resultados preliminares se presentan en el XIII Congreso Nacional de Maíz que se está desarrollando actualmente.

Con el objetivo de transformar los métodos tradicionales de fenotipado y optimizar los tiempos de trabajo a campo, la Estación Experimental Agropecuaria (EEA) Pergamino del INTA incorporó un Vehículo Aéreo No Tripulado (VANT) equipado con tecnología multiespectral y térmica. La iniciativa, enmarcada en el Programa Nacional de Ecofisiología y Agroecosistemas, busca establecer protocolos precisos de procesamiento de datos remotos para asistir de manera directa a los programas de mejoramiento genético de la región.

“Este desarrollo se consolidó mediante un esquema asociativo que vincula internamente a las áreas de Sistemas de Información Geográfica (SIG), Ecofisiología de cultivos, Mejoramiento de Girasol y Mejoramiento de Maíz de la experimental”, explicó Javier Portillo, investigador de la Estación Experimental Agropecuaria (EEA) del INTA Pergamino, y agregó que “A su vez, la sinergia de trabajo se hace extensiva a escala federal mediante la interacción con las Estaciones Experimentales de la región, a través de la Red Nacional de Drones del INTA”.

De acuerdo con el investigador, la evaluación clásica de los ensayos en los programas de mejoramiento se realiza de forma manual, lo que demanda una alta carga horaria y conlleva la natural subjetividad del operario en las observaciones de campo. “Frente a esto, los sensores remotos emergen como una alternativa estratégica. El uso de estos sensores permite estimar de manera totalmente objetiva y repetitiva en el tiempo aquellas características de las plantas que surgen de la interacción entre el genotipo y el ambiente”, indicó.

Gracias al uso de sensores remotos de alta resolución, se lograron aplicaciones exitosas y con altos niveles de coincidencia con la realidad en diversos cultivos de la región. “En soja, mediante vuelos programados durante el ciclo, se estimó la evolución de la cobertura foliar, logrando medir la altura de las plantas con un margen de error menor al 8 % respecto a las mediciones manuales”, explicó Portillo.

Por su parte, para el cultivo de girasol, el equipo combinó las imágenes con algoritmos de inteligencia artificial (machine learning) para automatizar y agilizar la detección de híbridos resistentes a herbicidas comerciales, y así poder evaluar un volumen mucho mayor de parcelas al mismo tiempo, indicó el investigador y agregó que, en trigo, se inició una línea de investigación que busca evaluar índices de vegetación específicos para monitorear la velocidad de secado de grano previo a cosecha; un factor determinante en la calidad de este cereal.

XIII Congreso Nacional de Maíz

El impacto de esta línea de investigación se desarrolla en el XIII Congreso Nacional de Maíz, donde se presentaron dos estudios liderados por José Menes, del grupo SIG, cuyo enfoque se centra exclusivamente en este cultivo.

El primero de ellos validó la estimación de la altura de las plantas mediante modelos digitales de superficie (MDS) generados por drones, obteniendo una precisión destacada que alcanzó entre un 81% y un 86% de coincidencia con las mediciones manuales tradicionales.

Este avance resulta clave para evaluar la estructura del cultivo y anticipar problemas de quebrado y vuelco de tallos, factores que suelen provocar pérdidas significativas durante la cosecha.

Por otro lado, la segunda investigación desarrolló modelos matemáticos para estimar la fracción de radiación solar interceptada por la planta, una variable clave vinculada con la producción de biomasa y el rendimiento.

Tras analizar más de 60 indicadores, los investigadores descubrieron que la simple estimación del porcentaje de cobertura verde desde el aire superó a todos los índices tradicionales de la agricultura digital como el mejor predictor de la fracción de radiación interceptada por el cultivo. Si bien el reconocido índice NDVI explicó la variable satisfactoriamente, no logró posicionarse entre los indicadores con mayor capacidad predictiva, quedando por debajo de la precisión alcanzada por el porcentaje de cobertura verde.

Con niveles de precisión superiores al 92% en híbridos comerciales y al 86% en líneas de maíz, estos resultados confirman el rol estratégico de los drones para potenciar la competitividad del sector semillero nacional, tanto público como privado.