Sentencia remota con mapas AI de pequeñas plantas de café con alta precisión

• El método no publicado no solo identifica la cultura, sino que diferencia cuatro etapas productivas de los cultivos de café.
• La técnica con el uso combinado de algoritmos de aprendizaje automático e imágenes mixtas de dos satélites tuvo una precisión de más del 95% en la identificación de áreas de café.
• La diferenciación de cultivo en la producción, en la formación o con gestión de la poda y la recepa tuvo una precisión del 77% al 95%.
• La metodología basada en datos públicos por satélite y herramientas de código abierto se puede aplicar en otras regiones productoras de Brasil.
• El monitoreo de datos ayuda a la gestión operativa y de comercialización del café en regiones con pequeñas propiedades.

¿Cómo funciona el método

La investigación utilizó una densa serie de tiempo de bandas multiespectrales, índices espectrales y métricas de textura derivadas de imágenes combinadas de los satélites Landsat y Sentinel-2 (HLS). La frecuencia de las imágenes aproximadas fue de tres días. Los datos fueron analizados por algoritmos de inteligencia artificial como Random Forest y XGBoost.

Se utilizó un sistema de clasificación jerárquica, trabajando en cuatro niveles. La primera separa la vegetación nativa de las zonas agrícolas. El segundo nivel hizo la separación entre cultivos perennes, cultivos anuales y pastos. El tercer nivel diferenciaba las plantas de café de las plantaciones de eucalipto. El cuarto nivel hizo la clasificación de las plantas de café entre las áreas de entrenamiento (hasta tres años de siembra), las áreas en producción, las áreas con poda de esqueleto y los cultivos en renovación a través de la recepa (poda en la base de la planta).

En los tres primeros niveles, la precisión superó el 96%. En el cuarto nivel, con mayor complejidad, la precisión cayó a la media del 83%, pero aún mantuvo un buen rendimiento, especialmente en clases como la producción, con un 94%. La poda de renovación fue la categoría que tuvo la menor precisión, con un 78%.

“Desde el punto de vista de las imágenes de satélite, el cultivo del café en la fase de producción se asemeja a ciertos cultivos frutales, como los cítricos. Y cuando se planta recientemente, se confunde con áreas de pastos”, explica el estudiante de doctorado de la Universidad Estatal de Campinas (Unicamp) y miembro del proyecto Semear Digital Taya Parreiras.

La investigación reveló que los índices como NDVI, GNDVI, NDWI y SAVI son los más efectivos para caracterizar el café, especialmente en la temporada de lluvias, cuando se producen transiciones fenológicas críticas. La banda verde HLS fue particularmente importante, representando casi el 40% de la calificación en el Nivel 2. Las métricas de textura GLCM y los datos de temperatura de la superficie (LST) también ayudaron a refinar los resultados, especialmente en la diferenciación de plantas de café productivas y esqueletizadas.

Aunque la precisión obtenida con el uso de los sistemas de inteligencia artificial Random Forest y XGBoost fue similar, el Random Forest demostró ser más efectivo en el procesamiento de los datos, siendo hasta 15 veces más rápido que el XGBoost. Según los autores del estudio, esta diferencia es eludible en un análisis más pequeño, de un municipio, por ejemplo, pero es muy representativa para obras con una mayor extensión territorial.

Ayudar al café en el cambio climático

El avance tecnológico llega en un momento estratégico: el café es uno de los cultivos más amenazados por el cambio climático, lo que debería reducir las áreas adecuadas de siembra en América Latina, África y Asia.

“En un escenario de cambio climático, en el que la precisión en la gestión del cultivo del café se vuelve crítica para la sostenibilidad y la competitividad, esta metodología contribuye a poner a Brasil a la vanguardia del monitoreo agrícola digital. Permite no solo mapear, sino comprender la dinámica del ciclo del café, ofreciendo un instrumento robusto para guiar las políticas de adaptación, garantizar la trazabilidad para el mercado internacional y, principalmente, apoyar directamente al productor en la toma de decisiones, especialmente en la pequeña propiedad que una vez fue prácticamente invisible en los mapeos convencionales”, señala el analista de Embrapa Environment (SP) Gustavo Bayma.

Los desarrolladores predicen que al proporcionar una herramienta escalable, transparente y accesible, el nuevo sistema podrá fortalecer la gobernanza agrícola en Brasil; ampliar el acceso de los productores al crédito y los seguros; apoyar las políticas de adaptación al cambio climático, así como garantizar una mayor confianza del consumidor y los mercados internacionales en trazabilidad de la producción.

Próximos pasos

Todos los mapas desarrollados y los datos generados están disponibles en el Repositorio de datos de investigación de Embrapa (Redape) para el acceso gratuito.

Los investigadores planean expandir las pruebas a series multianuales y mejorar la precisión en clases menos representadas, como la renovación.

“Estamos desarrollando algunos modelos para realizar la delimitación de las parcelas, porque se observó que hubo una confusión en la separación de los portaaviones, la tierra y los caminos forestales. La idea es utilizar un modelo de aprendizaje profundo para realizar la delimitación exacta de las tramas con el uso de imágenes de alta resolución”, explica Taya Parreiras.

El objetivo es que el sistema se convierta en una herramienta operativa para organismos públicos, cooperativas, sindicatos y productores, permitiendo a Brasil mantener su posición líder mundial en el mercado del café, al tiempo que fortalece la sostenibilidad del sector.