La plataforma viene entrenándose desde hace tres años con información obtenida en unas 15.000 hectáreas distribuidas en distintas regiones del país. Cada nuevo dato incorporado permite mejorar la precisión de los modelos. No obstante, Pedernera advirtió: “Podemos tener un muy buen reporte, pero después el cuello de botella va a ser la maquinaria disponible que tengamos en el campo”, advirtió.
Doron Gal explicó que el sistema analiza miles de imágenes satelitales de alta resolución y sigue el comportamiento de cada píxel a lo largo de distintas campañas agrícolas. Con esa información agrupa sectores con características similares y construye las llamadas “clases de suelo”, que sirven de base para todo el análisis posterior. Luego incorpora nuevas capas de información, como mapas de rendimiento, relieve, sensores y resultados de laboratorio. Cuantos más datos se suman, mayor es la precisión del diagnóstico.
A partir de allí, la inteligencia artificial analiza cómo interactúan variables como nutrientes, textura, materia orgánica, pH o compactación para determinar cuáles son los factores que realmente están condicionando el rendimiento y qué prácticas deberían priorizarse.
Para mostrar cómo funciona la plataforma en la práctica, Sainz Rozas presentó un caso real correspondiente a un lote del norte de Santa Fe para mostrar cómo la plataforma integra mapas de rendimiento, análisis de suelo y otras variables con el objetivo de identificar qué factores están limitando la productividad. En ese caso, el sistema determinó que las principales limitantes eran el fósforo, el zinc y el boro, aunque también permitió establecer cuáles de esos nutrientes justificaban un manejo diferenciado y cuáles no.
En el caso del fósforo, el mapa alcanzó una precisión considerada suficiente para realizar aplicaciones variables y mostró amplios sectores con niveles por debajo de los adecuados. Al comparar esos resultados con ensayos del INTA, el especialista explicó que esos ambientes podían responder favorablemente a la fertilización. Sin embargo, aclaró que el nivel del nutriente por sí solo no alcanza para definir una recomendación, ya que también intervienen otras variables del suelo. “La respuesta al fósforo aumenta cuando el suelo tiene más compactación”, señaló, al explicar que esa condición limita el desarrollo de las raíces y modifica el aprovechamiento del nutriente.
Con el zinc ocurrió algo similar. El mapa presentó una calidad aceptable y permitió identificar sectores donde la deficiencia justificaba una aplicación diferenciada. Según recordó, ensayos realizados por el INTA muestran que, con esos niveles, el maíz puede responder con incrementos de hasta dos toneladas por hectárea. También en este caso remarcó que variables como la materia orgánica y la compactación modifican la respuesta del cultivo y deben considerarse junto con el análisis químico.
Con el boro, en cambio, la conclusión fue distinta. Si bien el sistema detectó bajos niveles del nutriente en prácticamente todo el lote, la precisión del mapa no era suficiente para recomendar aplicaciones variables. En consecuencia, la sugerencia fue realizar una fertilización uniforme sobre toda la superficie. El caso también mostró cuándo no era necesario intervenir. Para ese lote, el potasio no aparecía como un factor limitante, una conclusión que coincidía con los resultados obtenidos en trabajos de calibración del INTA.
Sobre el cierre, Sainz Rozas sostuvo que uno de los principales aportes de este tipo de herramientas es ayudar a ordenar e interpretar una gran cantidad de información, aunque insistió en que las recomendaciones deben validarse en el propio campo. “Tenemos que ponerle número a las cosas”, afirmó. En ese sentido, propuso realizar franjas con distintas dosis de fertilización para medir la respuesta de los cultivos y, al mismo tiempo, seguir mejorando los modelos con datos obtenidos en condiciones reales.
La Nación – Pilar Vazquez