Pulverizar solo la mala hierba: cómo auditar la IA agrícola parcela a parcela

El 22 de agosto de 2024, Iowa State University publicó los resultados de una demostración a escala de campo: un pulverizador con cámaras redujo un 76 % de media el área tratada con herbicida de postemergencia en cinco parcelas de soja. El dato es prometedor, pero no significa que la máquina reduzca siempre tres cuartas partes del producto ni que la inteligencia artificial haya resuelto el control de malas hierbas. Significa algo más concreto: con la presión vegetal encontrada en 415 acres de Iowa, un sistema comercial abrió solo las boquillas asociadas a zonas donde detectó plantas objetivo.

La diferencia importa a cualquier explotación que esté valorando esta tecnología. El ahorro no es una propiedad fija del algoritmo; surge de combinar densidad de malezas, programa agronómico previo, detección, velocidad, altura de barra, boquillas y mezcla. La capacidad transferible de este caso es saber convertir un porcentaje comercial en un protocolo de prueba propio: medir cobertura evitada, eficacia de control, errores, coste total y efecto sobre el cultivo antes de extrapolar.

De una decisión por campo a miles por segundo

En una aplicación de cobertura, la orden es esencialmente binaria para toda la anchura de trabajo: la barra avanza y pulveriza. Un sistema selectivo divide esa acción. Las cámaras observan la superficie; el procesamiento clasifica lo que aparece en cada zona; el controlador asocia la detección a una boquilla o grupo de boquillas; y la válvula se abre durante el intervalo necesario. El resultado no es un tractor que “entiende” la agronomía, sino una cadena de percepción y actuación con un objetivo delimitado.

La descripción técnica de Iowa State distingue dos problemas. Los sistemas “verde sobre marrón” detectan vegetación contra suelo o residuo y sirven, por ejemplo, antes de emerger el cultivo. Los “verde sobre verde” deben separar la mala hierba del cultivo ya visible. El segundo problema exige más información visual y una clasificación más fina. Una tasa de acierto publicada sin decir qué escenario se evaluó oculta una parte decisiva de la dificultad.

La cámara no trabaja sola. Iowa State enumera control estable de altura de barra, límites habituales de 10 a 15 millas por hora, control individual de boquillas, boquillas compatibles y recirculación para mantener cobertura uniforme cuando el número de salidas activas cambia continuamente. Cada elemento crea un posible desfase entre ver y aplicar. Una detección correcta puede terminar en el lugar equivocado si la máquina avanza más de lo previsto o la geometría de la barra cambia.

Un trabajo de 2024 registrado por el Servicio de Investigación Agrícola de Estados Unidos ayuda a separar otra capa: un prototipo con visión YOLOv4 obtuvo una reducción calculada del 79 al 80 %, pero ese resultado excluía fallos del algoritmo y de sincronización. Es una advertencia metodológica, no una comparación directa con John Deere. “Ahorro cuando el sistema funciona” y “ahorro operativo incluyendo todos los fallos” son métricas distintas.

Qué midieron realmente los cinco campos

La demostración de Iowa State utilizó un John Deere See & Spray Ultimate en cinco campos de soja de los condados de Boone y Story, todos con programas residuales de preemergencia similares. Las superficies fueron 110,7; 71,9; 104,7; 37,1 y 90,1 acres. El porcentaje de área en la que se evitó producto fue, respectivamente, 87,2 %, 43,9 %, 71,2 %, 90,6 % y 87,6 %. La media ponderada comunicada fue del 76 %.

En total se evitaron 4.700 galones de mezcla y casi 6.500 dólares de producto, equivalentes a 15,7 dólares por acre. Las imágenes tomadas con dron el día de la aplicación y las inspecciones posteriores confirmaron variación en la presión de malezas, aplicación sobre plantas emergidas y campos limpios hasta que el dosel cerró. Son observaciones de campo valiosas. No son, sin embargo, un ensayo aleatorizado de varias campañas con comparación completa de rendimiento, deriva, impacto ambiental y amortización de la máquina.

El contraste entre parcelas explica mejor el sistema que la media. Tres campos donde el herbicida residual había funcionado bien entraron al segundo pase con poca presión de malezas y ahorraron un 88,4 % de media. El campo dos, labrado el 13 de abril y plantado el 15, recibió lluvias importantes, mostró peor control residual y solo evitó un 43,9 %. La máquina no empeoró por cambiar de parcela: encontró más zonas que requerían tratamiento.

Por eso el porcentaje de producto ahorrado no debe usarse solo como puntuación de la IA. También mide el estado previo del campo. Una explotación con manejo residual eficaz puede registrar un gran ahorro selectivo; otra con infestación uniforme se acercará a una aplicación de cobertura aunque la detección sea perfecta. Comparar ambas máquinas por ese porcentaje sin controlar la presión inicial sería atribuir al algoritmo lo que proviene de la parcela.

Corregir la cifra del fabricante

John Deere comunicó una escala mucho mayor, pero es imprescindible fecharla y etiquetarla. Su informe de impacto empresarial de 2023 afirma que See & Spray se utilizó aquel año en más de un millón de acres, logró una reducción de solución cercana a dos tercios y evitó más de ocho millones de galones. Son datos agregados del fabricante, no resultados de la demostración universitaria de 2024.

No hay base en esos documentos para convertirlos en “un millón de acres en 2024 con un 59 %”. Cambiar el año o redondear una métrica de otra fuente impide al lector reconstruir la comparación. También importa la palabra “solución”: volumen de mezcla evitada no equivale necesariamente a masa de ingrediente activo, reducción de toxicidad o disminución proporcional del riesgo. Una mezcla contiene agua y productos con dosis distintas.

El fabricante aporta detalles útiles sobre su máquina —36 cámaras, visión artificial y actuación selectiva—, pero tiene un interés comercial. Iowa State aporta una demostración independiente y localizada. USDA aporta un experimento de otra arquitectura que evidencia el papel de los fallos de sincronización. Las fuentes no se suman para crear un promedio universal: se triangulan para preguntar si observan la misma cadena física bajo condiciones distintas.

Las cinco métricas que faltan en un titular

La primera es cobertura evitada: qué proporción de la parcela no recibió la aplicación de postemergencia. La segunda es eficacia: cuántas malezas objetivo murieron y cuántas sobrevivieron. La tercera es error de actuación: falsos negativos que dejan una mala hierba sin tratar, falsos positivos que pulverizan cultivo o suelo y desplazamientos entre detección y boquilla. La cuarta es economía total: producto, licencia, equipo, combustible, tiempo, llenados, mantenimiento y labores correctivas. La quinta es consecuencia agronómica: rendimiento, daño al cultivo, banco de semillas y presión de resistencia en campañas posteriores.

El mapa “as applied” permite auditar parte de esa cadena, pero no es una verdad del terreno. Registra dónde el controlador ordenó pulverizar; debe contrastarse con observación independiente. El diseño mínimo útil divide áreas comparables, documenta la densidad inicial, conserva una referencia de cobertura cuando sea legal y agronómicamente apropiada, inspecciona después del tratamiento y registra fallos por especie, tamaño de planta, luz, velocidad y zona del campo.

Además, aplicar menos volumen no sustituye una estrategia de resistencia. La Agencia de Protección Ambiental estadounidense recomienda integrar modos de acción y tácticas, rotar cultivos y revisar antes y después si el tratamiento fue eficaz. Un sistema selectivo puede reducir exposiciones innecesarias, pero si deja sistemáticamente escapar una especie o repite la misma química, puede mantener una presión de selección mal entendida. La dosis y la etiqueta siguen siendo obligatorias cada vez que una boquilla se abre.

Cómo decidir sin comprar un porcentaje

Antes de contratar, una explotación puede pedir al proveedor definiciones, no solo cifras: si “ahorro” significa área, mezcla o ingrediente activo; si los fallos están incluidos; con qué cultivos, estados, malezas, velocidades y condiciones de luz se obtuvo; y qué coste por acre incluye la licencia. Después conviene fijar de antemano el umbral de éxito y el plan de intervención si la inspección encuentra escapes.

La demostración de Iowa muestra que la idea funciona en campo y que puede evitar mucho producto cuando la distribución de malezas es irregular. También muestra, gracias al rango de 43,9 a 90,6 %, por qué no existe una promesa única. La lectura madura no es “la IA ahorra 76 %”, sino “la selectividad convierte variabilidad real en una oportunidad medible”. Quien conserva esa distinción puede probar la herramienta en sus propias condiciones y saber si está comprando precisión o únicamente una media ajena.