La agricultura en la era de la inteligencia artificial. Retos e implicaciones en la producción de alimentos.

Dr. Francisco Marcelo Lara Viveros¹

Dr. Audberto Reyes Rosas¹

Dr. Oussama Mounzer¹

Dr. Carlos Patricio Illescas Riquelme^1,2

Dra. Nadia Landero Valenzuela³

¹ Departamento de Biociencias y Agrotecnología, Centro de Investigación en

Química Aplicada.

² Investigador por México, SECIHTI - CIQA

³ Departamento de Horticultura. Universidad Agraria Antonio Narro.

El descubrimiento de la agricultura hace 10,000 años, sentó las bases de la civilización moderna. Gracias a esta actividad, en unos pocos miles de años los seres humanos lograron adquirir los conocimientos necesarios para tener excedentes de alimentos manipulando a las plantas en su ecosistema. El ser humano pasó de cazar y recolectar alimentos para sobrevivir, a manipular a la naturaleza para obtener sus propios medios de subsistencia. El excedente de alimentos abrió la puerta a nuevas posibilidades de organización social; desde el nacimiento de la agricultura, por lo tanto, fue posible la división y especialización del trabajo. Rápidamente la tecnología avanzó y en las comunidades aparecieron artesanos, herreros, comerciantes y toda clase de oficios que, a su vez, permitieron mejorar aún más la producción agrícola.

Desde ese entonces la agricultura ha pasado por diferentes momentos definidos por avances en la comprensión científica de las plantas, cada vez que aprendemos un poco más sobre ellas y su relación con el entorno, surgen tecnologías que, aplicadas al campo, incrementan la producción. Un ejemplo claro es el conocimiento sobre los minerales de la tabla periódica que las plantas requieren para crecer, estudiado con mayor profundidad desde la segunda mitad del siglo pasado. Este conocimiento dio origen a una disciplina que, con el tiempo, impulsó el desarrollo de la industria de abonos y fertilizantes, responsable de buena parte de la producción mundial de alimentos. Esta sola tecnología, es responsable de gran parte de la producción de alimentos en el mundo. Del mismo modo, los descubrimientos sobre el ADN y su papel en la herencia genética abrieron la puerta a un vasto conjunto de tecnologías aplicadas a la mejora vegetal. Gracias a ellas, hoy es posible disponer de híbridos comerciales capaces de resistir condiciones ambientales adversas o ataques de patógenos que, hasta hace unas décadas, provocaban pérdidas graves en las cosechas.

Sin embargo, este vertiginoso avance tecnológico, especialmente en los últimos siglos, no está exento de retos y, al mismo tiempo, abre un abanico de oportunidades. Hoy, nos encontramos frente a un nuevo paradigma científico y tecnológico que comenzó a tomar forma hace apenas unos años: la inteligencia artificial.

Analizaremos algunos de los desafíos que enfrentan los sistemas agrícolas a nivel mundial, en un contexto en el que nuevas tecnologías comienzan a aplicarse para fortalecer la producción de alimentos. Asimismo, presentaremos opciones tecnológicas que se están desarrollando en el Centro de Investigación en Química Aplicada (CIQA), considerando los factores antes mencionados y su impacto en la agricultura del futuro.

Hoy en día, la mayoría de las personas da por sentada la disponibilidad de alimentos. Sin embargo, desde el descubrimiento de la agricultura, la población humana ha crecido de forma exponencial, impulsada en gran medida por los avances tecnológicos que, durante los últimos siglos, han incrementado la producción y disponibilidad de alimentos. Pero producir más también implica mayor consumo de agua, nutrientes y otros insumos agrícolas.

En este contexto, los sistemas de inteligencia artificial, concebidos inicialmente como un intento de emular la inteligencia humana, han encontrado un campo fértil de aplicación gracias a los avances en la capacidad de procesamiento computacional. Estas herramientas permiten analizar grandes volúmenes de datos de manera rápida y precisa, lo que abre nuevas posibilidades para gestionar de forma más eficiente los recursos naturales.

Un ejemplo claro es el uso de sistemas de análisis de imágenes capturadas por drones equipados con cámaras multiespectrales o hiperespectrales. Mediante algoritmos de visión por artificial, es posible identificar variaciones en el estado hídrico de los cultivos, como por ejemplo la detección de zonas bajo estrés por falta de agua y la optimización del riego únicamente en las áreas que lo requieren. Esto no solo reduce el consumo de agua, sino que también evita el desgaste innecesario de nutrientes y minimiza el impacto ambiental, contribuyendo a una agricultura más sostenible y resiliente. En CIQA se han desarrollado modelos de este tipo enfocados a usuarios específicos (Figura 1) (Reyes-Rosas et al., 2023).

Figura 1. Imagen de un cultivo de maíz en el campo experimental del CIQA

obtenido mediante un vehículo aéreo no tripulado a 50 metros de altura. A)

Imagen en bandas de color visible. B) Imagen procesada por un modelo de

aprendizaje automático que estima el nivel de estrés en las plantas. Colores

rojos indican plantas estresadas, verdes plantas en estado optimo y azules

plantas con exceso de agua (Fuente propia).

Los sistemas de captura, procesamiento, análisis de imágenes y su incorporación a modelos de inteligencia artificial representan una valiosa herramienta para el monitoreo de insectos plaga que pueden afectar a los cultivos. En los sistemas agrícolas cada año se gastan millones de dólares para el monitoreo y control de plagas que, a pesar de este enorme esfuerzo, ocasionan daños en los cultivos. En CIQA, se desarrollan propuestas tecnológicas enfocadas al manejo inteligente de plagas que afectan a los cultivos de interés en el país. Como ejemplo, se desarrolló un modelo para el monitoreo de palomillas en el cultivo de fresa (Rodríguez-Vázquez et al., 2024), que ocasionan daños importantes en las zonas productoras en México (Figura 2). Por otro lado, se incorpora una trampa y una cámara digital que fotografía a los insectos que son atraídos gracias a una feromona especifica para esta especie. La combinación de estas dos tecnologías permite el monitoreo y análisis de los datos ambientales que sirve como una herramienta útil para estimar las poblaciones de insectos.

Figura 2. Trampa para el monitoreo automático de Duponchelia fovealis en el cultivo

de fresa utilizando algoritmos de aprendizaje automático y feromonas especificas para

la especie. A) Prototipo de la trampa. B, C, D) Procesamiento automático de las

imágenes para identificar D. fovealis capturadas.

Los cultivos también son afectados por diversas enfermedades causadas por organismos patógenos como hongos, bacterias o virus. Dichas enfermedades aparecen cuando las condiciones del ambiente son favorables. Los sistemas de inteligencia artificial permiten analizar grandes conjuntos de datos provenientes de sensores interconectados que permiten identificar los patrones matemáticos presentes en imágenes (Figura 3) con los cuales es posible predecir con una precisión y confiabilidad cada vez más alta.

Figura 3. Sistema para la detección de síntomas ocasionados por hongos del género

Podosphaera, en plantas de pepino.

Uno de los mayores retos para la inteligencia artificial aplicada a la agricultura es contar con datos suficientes, precisos y de calidad que permitan desarrollar y entrenar modelos confiables. En este sentido, herramientas como los drones con cámaras multiespectrales para optimizar el uso del agua, los sistemas de captura y análisis de imágenes para el monitoreo inteligente de plagas, ofrecen una vía efectiva para superar esta limitación. Al generar información estandarizada y en tiempo real, estas tecnologías no solo mejoran el rendimiento de los modelos, sino que también brindan a los agricultores la capacidad de tomar decisiones más rápidas, precisas y sostenibles. La integración de estos sistemas en la práctica agrícola representa un paso firme hacia un futuro en el que la producción de alimentos sea más eficiente, resiliente y respetuosa con el medio ambiente.

Bibliografía

1. Reyes-Rosas, A., Lara-Viveros, F. M., Chávez-Cerón, L., & Khamkure, S. (2023). Estimation of Water Potential in Corn Plants Using Machine Learning Techniques with UAV Imagery and Evaluating the Effect of Flying Height †. Engineering Proceedings, 56(1). https://doi.org/10.3390/ASEC2023-15882
2. Rodríguez-Vázquez, E., Hernández-Juárez, A., Reyes-Rosas, A., Illescas-Riquelme, C. P., & Lara-Viveros, F. M. (2024). Detection and Early Warning of Duponchelia fovealis Zeller (Lepidoptera: Crambidae) Using an Automatic Monitoring System. AgriEngineering, 6(4), 3785–3798. https://doi.org/10.3390/agriengineering6040216