INTRODUCCIÓN

Las especies de malas hierbas (mh) invasoras son consideradas una de las principales amenazas para la agricultura actual tanto por causar pérdidas en el rendimiento de los cultivos como por el grave daño ecológico que provocan en estos ecosistemas produciendo graves pérdidas de biodiversidad (^{Paini et al., 2016}). Recientemente se ha detectado la presencia de Amaranthus palmeri S. Watson en zonas agrícolas de España y otros países de la cuenca mediterránea (Chipre, Israel, Italia, Grecia, Turquía y Portugal). Se trata de una especie originaria de Norteamérica, altamente competitiva, de rápido crecimiento y con una elevada tasa de fecundidad y capacidad para desarrollar biotipos resistentes a herbicidas, como a inhibidores de la acetolactato sintasa (ALS) y a glifosato (^{Torra et al., 2020}; ^{Manicardi et al., 2023}). La EPPO la ha incluido en la “A2-Alert List”, destinada a organismos de alto riesgo para los ecosistemas, y lograr así una alerta temprana (EPPO, 2022). Se trata de una especie de difícil manejo que, sumado a la reducción de materias activas para su control, hace que la detección precoz junto con eficaces sistemas de alerta sean la clave para la contención y control de esta invasora (Manicardi et al., 2023).

En los últimos años se están desarrollando herramientas digitales web para aplicaciones en agricultura a partir de programas y datos residentes en la nube, llamados SaaS (por sus siglas en inglés Software as a Service: el software visto como un servicio). Estas herramientas informáticas son muy adecuadas para realizar el seguimiento y vigilancia de los cultivos en grandes extensiones de terreno, para lo cual combinan Sistemas de Información Geográfica (SIG), Tecnologías de la Información y la Comunicación (TIC), Inteligencia Artificial (IA) e imágenes y grandes cantidades de datos (big data) obtenidos mediante teledetección para desarrollar plataformas digitales en línea (Mesías-Ruíz et al., 2023). Sin embargo, hasta ahora no se han desarrollado para mh invasoras en ambientes agrícolas. Por otro lado, el uso de drones en combinación con algoritmos de inteligencia artificial ha permitido detectar mh en estados iniciales de desarrollo del cultivo, solventando las limitaciones de otras plataformas remotas de adquisición de datos, como satélites y aviones tripulados, y poder elaborar mapas de prescripción en el momento óptimo de tratamiento y ajustados a las necesidades del cultivo (^{de Castro et al., 2018}). Estas son las bases de la Agricultura de Precisión que, mediante la identificación precisa y temprana de las infestaciones de mh, permite realizar un control localizado y alcanzar importantes beneficios asociados a la reducción en el uso de inputs, e.g. herbicidas.

En este trabajo presentamos varias herramientas de agricultura digital para la identificación y seguimiento de A. palmeri en campos agrícolas. Para ello, se está desarrollando una plataforma web interactiva y de acceso libre, denominada DIGINVASIVE, que utiliza tecnologías digitales innovadoras para cargar, analizar y visualizar datos que permitan cartografiar la presencia de la mh invasora a escala nacional y a escala parcela.

MATERIALES Y MÉTODOS

Diseño de la Plataforma digital web

La plataforma se desarrolla en un sistema interfaz web de código abierto consistente en varios módulos (Figura 1) que permite: i) la digitalización y seguimiento de la presencia de A. palmeri en todo el territorio español (escala nacional); ii) la cartografía de plantas de A. palmeri en diferentes estados de desarrollo en campos agrícolas (escala parcela); y iii) la salida de resultados en formato vectorial (mapas) y numérico (localización y tamaño de las plantas). Para ello, la plataforma DIGINVASIVE utiliza tecnologías de teledetección (imágenes de alta resolución adquiridas con dron para la escala parcela e imágenes de satélite para la escala nacional), SIG, TIC e IA para la adquisición y análisis de las imágenes, el desarrollo de la plataforma y la visualización de los resultados.

DIGINVASIVE está formado por los siguientes módulos:

Módulo de Adquisición de Datos: permite a los usuarios cargar las imágenes de las parcelas agrícolas obtenidas con el dron para su evaluación en el Módulo de Análisis. Además, permite añadir datos geográficos con la localización de plantas de A. palmeri para su vectorización y monitorización a escala nacional, los cuales son recopilados y actualizados por los Servicios de Sanidad Vegetal y otros agentes interesados, como asesores, cooperativas, investigadores y agricultores.

Módulo de Análisis: en este módulo se encuentran implementados algoritmos de IA diseñados para la identificación y clasificación de plantas de A. palmeri en campos agrícolas, así como la generación de cartografía actualizada y personalizada (más información en el siguiente apartado).

Módulo de Visualización: se trata de una herramienta SIG con una interfaz gráfica de usuario intuitiva y de fácil manejo que permite la visualización y salida de los datos tanto en forma de mapas como numéricos y a diferentes escalas espaciales y temporales. Permitirá realizar el seguimiento y analizar la dispersión de A. palmeri a lo largo del territorio nacional, así como la generación de mapas de clasificación de plantas de A. palmeri en diferentes estados fenológicos en campos agrícolas.

Figura 1 Esquema general de la herramienta digital DIGINVASIVE. 

Desarrollo del algoritmo de clasificación de A. palmeri

Se han tomado imágenes de alta resolución con dron en nueve campos de maíz en estados iniciales de desarrollo (V4-V6) localizados en Lleida e infestados con A. palmeri. Para el análisis de las imágenes se ha utilizado el algoritmo de aprendizaje automático profundo (deep learning) de última generación YOLO-v8 (^{Jocher et al., 2023}), desarrollado para aplicaciones en tiempo real y adecuado para datos desbalanceados. Para el desarrollo del modelo se han utilizado 6.500 y 3.400 etiquetas de plantas de Amaranthus spp. y maíz, respectivamente, identificadas manualmente por expertos, de las que el 80% se utilizó para el entrenamiento y el 20% para la validación.

El proceso de generalización del modelo (inferencia) se llevó a cabo en parcelas independientes, comparando los resultados obtenidos en la clasificación para Amaranthus spp. con los datos verdad-terreno, consistentes en etiquetas asignadas por los expertos.

RESULTADOS Y DISCUSIÓN

Se han determinado la configuración y las especificaciones técnicas óptimas del dron y los sensores (en términos de altura de vuelo, solapamientos y resolución espacial óptima) para la discriminación de Amaranthus spp. en cultivos de maíz en estado temprano de desarrollo (escala parcela). Los resultados obtenidos en las clasificaciones de Amaranthus spp. en esta primera campaña de datos mostraron un porcentaje de precisión del 87,45%, i.e., plantas etiquetadas por expertos y correctamente identificadas y clasificadas automáticamente como Amaranthus spp. por el modelo, indicando que es posible el mapeo de estas especies de mh invasoras en estados tempranos de desarrollo mediante algoritmos de aprendizaje profundo (Figura 2). Aunque este valor de precisión se considera adecuado para escenarios complejos (^{de Castro et al., 2018}), el estudio de los errores obtenidos permitirá mejorar las clasificaciones con datos de las próximas campañas.

Figura 2 a) Mapa de clasificación de la parcela de generalización; b) detalle de la clasificación con aciertos del modelo. 

Los errores detectados consistieron principalmente en la clasificación de varias plantas donde el experto solo reconoció una (error de comisión) (Figura 3a); y la no clasificación por el modelo de una planta reconocida por el experto (error de omisión) (Figura 3b). Los errores de comisión requieren de una inspección profunda por parte del experto malherbólogo, evaluando si fue debido a la ausencia de etiqueta por su parte, ya que no todas las plantas de Amaranthus spp. de la imagen fueron etiquetadas, o a un error del modelo. En cualquier caso, este error no se considera de alta importancia, ya que sería considerada igualmente como zona de tratamiento al generar el mapa de prescripción de la parcela y estar en la misma área que la planta real sí detectada. El error de omisión supone un mayor riesgo debido a que el modelo no ha reconocido la presencia de la mh y no obtendría tratamiento, lo cual es de extrema importancia en el caso de A. palmeri, ya que las plantas femeninas tienen una tasa de fecundidad media de 200.000-600.000 semillas (Torra et al., 2022).

Figura 3 Detalles de error de comisión (a) y de omisión b): Acierto del modelo en la clasificación de Amaranthus spp.; Error del modelo en la clasificación de Amaranthus spp.; Planta de Amaranthus spp. etiquetada por el experto. 

La plataforma web está actualmente en desarrollo, a la vez que se están recopilando los datos sobre la localización actual de A. palmeri en todo el territorio nacional ofrecidos por los técnicos de los Servicios de Sanidad Vegetal y que servirán de entrada para el módulo de Adquisición de Datos. El diseño de la infraestructura de datos espaciales se está realizando teniendo en cuenta la dimensión (recursos informáticos), conectividad, reglas de comunicación y especificaciones de cada uno de los módulos mencionados.

DIGINVASIVE proporcionará información georreferenciada y digital, en forma de mapas y datos numéricos, sobre la localización y dispersión de la mh invasora A. palmeri a lo largo del territorio nacional, la cual podrá ser configurada a diferentes escalas temporales y espaciales. Será de acceso libre para su consulta y será actualizada con datos proporcionados por todos los agentes interesados, como Servicios de Sanidad Vegetal, asesores, cooperativas, investigadores y agricultores. Además, DIGINVASIVE contará también con la posibilidad de analizar imágenes adquiridas con dron según las especificaciones indicadas, de manera que puedan obtenerse mapas de identificación y clasificación de plantas de A. palmeri en campos agrícolas (escala parcela) con los que realizar las medidas de control oportunas en el contexto de la agricultura de precisión.

CONCLUSIONES

Con las herramientas digitales que conforman la plataforma web DIGINVASIVE será posible realizar el seguimiento y conocer la dispersión de A. palmeri, proporcionando un sistema de alerta temprana que permita planificar las medidas de prevención, contención y erradicación necesarias para el control de esta invasora en los escenarios agrícolas. Aunque la primera aproximación de DIGINVASIVE se ha centrado en A. palmeri, el sistema se extenderá a otras especies invasoras y cultivos en futuras investigaciones.