Colombia posee un enorme potencial agrícola debido a la diversidad en sus pisos térmicos (templado, cálido, páramo y glaciar), que son ideales para la producción ganadera y para cultivar una amplia variedad de alimentos, que van desde frutas exóticas como el camu-camu de la Amazonia hasta el arroz, que está dentro del top de los productos más consumidos por los colombianos.
Estas zonas tienen variables determinadas como temperatura, humedad, precipitación, fertilidad del suelo y disponibilidad de recursos hídricos, entre otras, que las hacen propicias para las actividades agropecuarias. Sin embargo, aun con estos datos como base, determinarlas no ha sido una tarea fácil.
Un ejemplo de ello ha sido la creación y el desarrollo del Sistema de Información para la Planificación Rural Agropecuaria (Sipra), que permite consultar y analizar información relevante para la agricultura del país, sobreponiéndola en mapas. Para que hoy esto fuera una realidad tuvieron que pasar más de 5 años.
El aporte de esta propuesta
Sebastián Felipe Álvarez Montoya, magíster en Ingeniería de Sistemas y Computación de la Universidad Nacional de Colombia (UNAL), desarrolló un sistema de IA aprovechando imágenes satelitales de alta resolución proporcionadas por la misión de observación terrestre Sentinel-2, bajo la dirección de la Agencia Espacial Europea (ESA).
Una parte crucial de su investigación se enfocó en la integración de estas imágenes con el mapa de planificación rural agropecuaria del Sipra, para luego emplear el aprendizaje de máquina, o machine learning, que le permite al sistema aprender de manera autónoma a partir de los datos.
El investigador señala que, “como trabajamos sobre el mapa Sipra, ya consideramos los factores climáticos y otros aspectos que afectan las actividades agrícolas. A partir de esa información, el sistema identificó patrones en las imágenes que le permitieron determinar con gran precisión si la zona era apta o no para la agricultura”.
También explica que “el área de prueba del modelo fue específicamente hacia el sureste de Barrancabermeja, en Santander, en donde el modelo predijo que Barichara, El Socorro y sus alrededores son zonas aptas para realizar actividades agrícolas, lo cual concuerda con lo reportado antes”.
“El modelo mostró un ‘comportamiento correcto’, y esto representa alrededor del 85 % de rendimiento en la tarea de identificar bien las zonas agrícolas y las no agrícolas".
Además, identificó áreas que no se pueden intervenir, como el Parque Nacional Natural Serranía de los Yariguíes. Aunque estos ejemplos parezcan muy evidentes, estos ejercicios permiten verificar que el sistema funciona y luego aumentar el nivel de dificultad en otras tareas.
“El modelo mostró un ‘comportamiento correcto’, y esto representa alrededor del 85 % de rendimiento en la tarea de identificar bien las zonas agrícolas y las no agrícolas. Este avance nos permite optimizar significativamente el tiempo necesario para estos procesos, los cuales tradicionalmente podrían llevar años”, explica el magíster.
Con esto, el potencial de esta tecnología es significativo, especialmente para el Gobierno colombiano, ya que la podría utilizar para actualizar y agilizar la identificación de zonas aptas para la agricultura. Además, los agricultores y campesinos se podrían beneficiar al saber si un terreno es adecuado para sus cultivos antes de adquirirlo o realizar actividades agrícolas.
El paso siguiente a esta investigación es caracterizar las zonas para cultivos específicos, es decir, que a través de este sistema se pueda saber si determinada zona es apta para cultivar papa, por ejemplo.
