Los mapas de cultivos con IA podrían cambiar el trabajo de campo en Senegal

Un modelo de inteligencia artificial de código abierto identificó cultivos en la cuenca del maní de Senegal con 84% de precisión en pruebas, usando muchos menos datos etiquetados y poder de computación que muchos métodos actuales, según informó Phys.org sobre una investigación publicada el Sept. 29. El modelo, llamado Tessera, fue desarrollado en la University of Cambridge y entrenado con imágenes satelitales. Los investigadores lo probaron para mapear cultivos de 2018, 2019 y 2021 y descubrieron que, en un escenario, funcionó 28% mejor que el siguiente mejor modelo.

Eso importa porque los mapas de cultivos no son solo imágenes académicas. Son documentos de trabajo usados por gobiernos, grupos de ayuda y organizaciones de seguridad alimentaria para calcular qué está creciendo y dónde. En Senegal, gran parte del suministro de alimentos viene de pequeñas granjas, es decir, granjas de pequeña escala que a menudo trabajan familias o productores locales. Phys.org informa que muchas de estas granjas dependen de la lluvia, así que la sequía o las lluvias alteradas pueden convertirse rápidamente en un problema de seguridad alimentaria, lo que significa que las personas podrían no tener acceso confiable a suficiente comida.

El problema de trabajo es sencillo de describir y difícil de resolver. Para calcular la producción de cultivos, las organizaciones necesitan información actual del terreno. Los datos del terreno son información recopilada por personas que visitan campos, registran lo que se planta y usan esas observaciones para revisar un mapa o modelo. Ese trabajo puede ser lento, costoso y difícil, especialmente cuando los campos son pequeños y están dispersos. La otra opción es analizar imágenes satelitales, pero un análisis de alta calidad puede requerir recursos de computación costosos y grandes conjuntos de ejemplos etiquetados de antemano, que son imágenes ya marcadas con el tipo de cultivo correcto.

Tessera ofrece un flujo de trabajo diferente. El modelo observa las imágenes satelitales de un año y comprime cada punto de tierra de 10-meter, o 33-foot, en una representación, que es una cadena de números que resume patrones en los datos. Para los cultivos, esos patrones pueden incluir cómo cambia un campo durante una temporada de cultivo. Luego, un algoritmo más simple puede usar una menor cantidad de puntos de datos de calibración, es decir, ejemplos conocidos usados para ajustar el sistema, para convertir esas representaciones en un mapa de cultivos.

Para un salón de educación profesional y técnica, la parte importante es el trabajo mismo. Esto no es un robot que reemplaza cada visita al campo. Es un cambio en el trabajo: pasar de solo recopilar observaciones básicas a recopilar buenas muestras, revisar la calidad de los datos, usar herramientas geoespaciales y explicar la incertidumbre. El trabajo geoespacial significa usar datos basados en la ubicación, como imágenes satelitales, coordenadas y límites de campos trazados en mapas, para tomar decisiones. La detección remota significa recopilar información desde lejos, a menudo desde satélites o aeronaves, en vez de estar directamente en el campo.

Las personas involucradas en un sistema como este podrían incluir equipos de encuestas de campo, técnicos de GIS, analistas de datos, especialistas agrícolas y desarrolladores de software. Un técnico de GIS trabaja con sistemas de información geográfica, que son herramientas informáticas para guardar, superponer y analizar datos basados en mapas. En este caso, el trabajo del técnico no sería hacer un mapa decorativo. Sería manejar capas de datos satelitales, observaciones de campo y clasificaciones de cultivos para que quienes toman decisiones puedan usarlas.

La señal de contratación también es importante. Una persona que empieza en este tipo de trabajo necesitaría más que un interés general en la tecnología. Las habilidades útiles incluirían documentación cuidadosa en el campo, estadística básica, hábitos de uso de hojas de cálculo y bases de datos, software GIS y suficiente codificación o creación de scripts para manejar archivos y repetir un flujo de trabajo. Igual de importante sería el control de calidad, a menudo llamado QA/QC, que significa revisar si los datos son precisos, consistentes y útiles antes de que alguien confíe en el resultado. En este estudio, la precisión del modelo bajó entre 2018 y 2021, y los investigadores creen que la calidad de los datos de las encuestas en el terreno podría ser parte de la razón. Eso recuerda que el resultado de la IA es solo tan sólido como los datos y el proceso de revisión que tiene detrás.

Hay límites. Una tasa de precisión de 84% es útil, pero también significa que el modelo se equivocó en algunas pruebas. El estudio tampoco probó cultivos secundarios en campos donde se cultiva más de un producto, lo cual podría afectar la precisión en zonas agrícolas más diversas. Para una agencia de seguridad alimentaria, esos límites importan. Un mapa que es suficientemente bueno para detectar una tendencia regional podría no ser suficientemente bueno para decidir si una aldea, una cooperativa agrícola o un sitio de almacenamiento necesita ayuda primero.

El diseño de código abierto del modelo es parte de la historia. El software de código abierto tiene código o herramientas que se pueden inspeccionar, compartir o adaptar bajo licencias públicas, en vez de estar encerrados dentro de un producto privado. Phys.org informa que el modelo base de Tessera es público, a diferencia de AlphaEarth de Google DeepMind, con el que los investigadores también lo compararon. Si los gobiernos y las organizaciones locales pueden usar la herramienta con datos que ya tienen, podrían actualizar la información sobre cultivos en los años entre grandes encuestas de campo.

Esta es una historia técnica, pero también es una historia sobre la fuerza laboral. A medida que la agricultura, el monitoreo del clima y la planificación pública usan más datos satelitales, el lugar de trabajo se amplía más allá del campo, el taller y la oficina. El mejor trabajador podría ser alguien que entienda los cultivos lo suficiente para cuestionar un mapa malo, entienda los datos lo suficiente para encontrar un error y entienda los límites de la IA lo suficiente para no exagerar lo que puede hacer.