Una IA mejora los mapas de cultivos de pequeñas fincas en Senegal

Saber qué se cultiva y dónde parece una pregunta sencilla, pero en muchas zonas agrícolas la respuesta no está actualizada. Recorrer cada parcela requiere tiempo y dinero; además, las fincas pequeñas suelen tener límites irregulares y distintos cultivos muy cerca unos de otros. Un equipo de investigación probó en la cuenca manisera de Senegal una forma de aprovechar imágenes satelitales para construir esos mapas con menos datos de campo etiquetados.

La herramienta evaluada, llamada Tessera, no decide el cultivo a partir de una foto aislada. Resume cómo cambia cada punto del terreno a lo largo de un año en una serie de observaciones de los satélites Sentinel-1 y Sentinel-2. Esa evolución estacional —por ejemplo, cuándo aparece la vegetación, cuánto dura y cómo cambia— puede aportar pistas para diferenciar áreas de mijo, maní, sorgo u otros usos del suelo. Después, un clasificador aprende a asociar esos patrones con etiquetas obtenidas en parcelas conocidas.

El trabajo comparó esa estrategia con otros modos de procesar los datos satelitales y con otro modelo geoespacial, AlphaEarth. Los autores analizaron información de 2018, 2019 y 2021 en una región donde muchas parcelas tienen menos de dos hectáreas. También valoraron cuatro aspectos que van más allá de acertar una etiqueta: el rendimiento, si el resultado produce mapas razonables, la posibilidad de aplicarlo en otro año y los recursos informáticos necesarios.

En las pruebas, Tessera fue la opción que mejor equilibró esos criterios. En un ejercicio de transferencia entre años, su exactitud fue 28 % mayor que la del siguiente método evaluado. En una de las configuraciones, el estudio reportó hasta 84 % de acierto. El resultado es relevante porque los mapas de cultivos pueden apoyar estimaciones de superficie sembrada, previsiones de cosecha y la planificación ante faltantes de alimentos, especialmente donde los relevamientos sobre el terreno son escasos.

La promesa no consiste en que un algoritmo sustituya a agricultores, extensionistas o censos. Los propios resultados muestran por qué los datos locales siguen siendo decisivos. La exactitud varió según el año y la calidad de las etiquetas disponibles; cuando las referencias de campo eran menos consistentes, el desempeño se deterioraba. El modelo tampoco separó de forma explícita los cultivos secundarios o mezclados dentro de una misma parcela, una práctica frecuente en la agricultura de África occidental.

Por ahora, la evaluación se concentra en una región de Senegal y en los años estudiados. Para saber si la herramienta funcionará con la misma utilidad en otros paisajes, combinaciones de cultivos o condiciones climáticas, harán falta pruebas adicionales y datos de campo comparables. Aún así, el estudio ilustra una idea práctica: las imágenes tomadas repetidamente desde el espacio pueden ser más útiles cuando se interpretan como una historia de la temporada y no como una instantánea del terreno.