El sistema predice la productividad de la soja mediante inteligencia artificial y satélites.

La combinación de imágenes satelitales, variables climáticas e inteligencia artificial está ganando terreno como herramienta para predecir la productividad agrícola en un escenario marcado por el cambio climático y los eventos extremos. Investigadores brasileños han desarrollado un modelo computacional capaz de estimar la productividad de los cultivos de soja en el Medio Oeste incluso antes de la cosecha, utilizando datos satelitales, información meteorológica y aprendizaje automático.

El estudio, realizado por la estudiante de maestría Ester de Carvalho Pereira de la Escuela de Agricultura Luiz de Queiroz de la USP (Esalq/USP), fue publicado en la revista científica Big Earth Data e El estudio analizó los municipios de Goiás, Mato Grosso y Mato Grosso do Sul entre las cosechas de 2019/2020 y 2021/2022. El modelo desarrollado alcanzó una precisión del 72 % y un error promedio inferior a 302 kilogramos por hectárea en las estimaciones de productividad.

La investigación utilizó imágenes del satélite Sentinel-2, variables climáticas y datos históricos del IBGE (Instituto Brasileño de Geografía y Estadística) para construir modelos predictivos capaces de monitorear las diferentes fases del desarrollo del cultivo de soja. Este trabajo forma parte del proyecto “Precisia – Predicción de la cosecha mediante imágenes satelitales e inteligencia artificial”, financiado por el Programa RHAE del CNPq y coordinado por la empresa Espectro Ltda.

Según Michel Eustáquio Dantas Chaves, investigador de la Universidad Estatal de São Paulo (Unesp) en Tupã y uno de los autores del estudio, los avances en las tecnologías de monitoreo agrícola han ampliado significativamente la capacidad de análisis de cultivos. "Los datos satelitales nos permiten monitorear las cosechas y los ciclos de producción, algo que hasta hace poco era inviable, especialmente a nivel de cultivo", afirma.

La IA ayuda en la identificación de datos.

Los investigadores destacan que el uso de la inteligencia artificial fue fundamental para identificar qué factores climáticos y espectrales tuvieron el mayor impacto en la productividad. Entre las variables más relevantes se encontraban la precipitación acumulada, la radiación solar y el déficit hídrico. En las imágenes satelitales, las bandas relacionadas con el infrarrojo y el llamado borde rojo, un rango espectral asociado con la actividad fotosintética de las plantas, tuvieron mayor peso.

En total, se desarrollaron seis modelos distintos, considerando periodos comprendidos entre los 30 y los 180 días posteriores a la siembra. El mejor rendimiento se obtuvo con el modelo de 150 días, fase que corresponde a la etapa de llenado del grano de soja, considerada crucial para determinar la productividad final.

La investigación se produce en un momento de mayor inestabilidad climática para la agricultura brasileña. En la cosecha 2023/2024, por ejemplo, las olas de calor extremas y las lluvias irregulares redujeron significativamente el potencial productivo de la soja en el país. Inicialmente estimada en 162 millones de toneladas por Conab, la producción finalmente se situó en 147,7 millones de toneladas, según datos citados por la FAO, lo que representa pérdidas de miles de millones de dólares para el sector.

A pesar de los avances, los investigadores señalan limitaciones estructurales para aumentar la precisión de los modelos en Brasil. Una de las principales dificultades fue la falta de datos detallados a nivel de propiedad rural, lo que obligó al grupo a utilizar bases de datos públicas como IBGE y MapBiomas para identificar las áreas cultivadas.

“El mayor reto es contar con datos de esa ubicación específica, pero trabajamos con lo que tenemos”, afirma Ana Cláudia dos Santos Luciano, investigadora de Esalq/USP y supervisora ​​del estudio. Según ella, si bien el sistema aún no ofrece suficiente detalle para aplicaciones individuales en propiedades, tiene un gran potencial para políticas públicas, monitoreo regional y planificación agrícola.

Integración de la información

Los investigadores también advierten sobre la necesidad de una mayor integración entre las bases de datos públicas brasileñas y de fortalecer la financiación de los programas de monitoreo agrícola. Según Chaves, las herramientas de geoprocesamiento e inteligencia artificial ya permiten análisis cada vez más precisos, pero muchos proyectos se enfrentan a limitaciones presupuestarias.

Actualmente, el grupo continúa perfeccionando los modelos y desarrollando nuevas aplicaciones para otros cultivos, como la caña de azúcar. Además, ya se elaboran boletines periódicos de monitoreo de la soja para estados como Goiás, Mato Grosso do Sul y Paraná.

Más información en doi.org/10.1080/20964471.2026.2631900