Agricultura de precisión con inteligencia artificial: el futuro de la seguridad alimentaria

Un equipo de investigación investigó la eficacia de AlexNet, una variante avanzada de la Red neuronal convolucional (CNN), para la clasificación automática de cultivos utilizando imágenes aéreas de alta resolución de UAV. Sus hallazgos demostraron que AlexNet superó consistentemente a las CNN convencionales. Este estudio destaca el potencial de integrar el aprendizaje profundo con datos de UAV para mejorar la agricultura de precisión, enfatizando la importancia de las técnicas de detención temprana para evitar el sobreajuste y sugiriendo una optimización adicional para aplicaciones de clasificación de cultivos más amplias.

Para 2030, se proyecta que el crecimiento de la población mundial alcance los 9 mil millones, lo que aumentará significativamente la demanda de alimentos. Actualmente, los desastres naturales y el cambio climático son amenazas importantes para la seguridad alimentaria, lo que hace necesaria una clasificación de cultivos oportuna y precisa para mantener una producción alimentaria adecuada. A pesar de los avances en la teledetección y el aprendizaje automático para la clasificación de cultivos, persisten los desafíos, como la dependencia del conocimiento experto y la pérdida de información.

Un artículo de investigación (DOI: 10.48130/tia-0024-0009) publicado en Tecnología en Agronomía el 28 de mayo de 2024, tiene como objetivo evaluar el rendimiento de AlexNet, un modelo basado en CNN, para la clasificación de tipos de cultivos en pequeñas granjas mixtas.

En este estudio, se utilizaron los modelos AlexNet y CNN convencionales para evaluar la eficiencia de la clasificación de cultivos utilizando imágenes aéreas de UAV de alta resolución. Ambos modelos se entrenaron con hiperparámetros, incluidas 30-60 épocas, una tasa de aprendizaje de 0.0001 y un tamaño de lote de 32. AlexNet, con su profundidad de 8 capas, logró una precisión de entrenamiento del 99.25% y una precisión de validación del 71.81% en 50 épocas, mostrando su rendimiento superior. Por el contrario, el modelo CNN de 5 capas alcanzó su mayor precisión de entrenamiento del 62.83% y precisión de validación del 46.98% en 60 épocas. El rendimiento de AlexNet disminuyó ligeramente en 60 épocas debido al sobreajuste, enfatizando la necesidad de mecanismos de detención temprana. Los resultados indican que, si bien ambos modelos mejoran con más épocas, AlexNet supera constantemente a la CNN convencional, particularmente en el manejo de conjuntos de datos complejos y el mantenimiento de altos niveles de precisión. Esto sugiere que AlexNet es más adecuado para la clasificación de cultivos precisa y eficiente en agricultura de precisión, aunque se debe tener cuidado para mitigar el sobreajuste en el entrenamiento prolongado.

Según el investigador principal del estudio, Oluibukun Gbenga Ajayi, “A la luz del sobreajuste observado, recomendamos encarecidamente implementar técnicas de detención temprana, como se demostró en este estudio en 50 épocas, o modificar los hiperparámetros de clasificación para optimizar el rendimiento de AlexNet cuando se detecte sobreajuste”.

En resumen, este estudio demuestra la efectividad de combinar la IA y las imágenes de UAV para la agricultura de precisión. AlexNet superó significativamente a una CNN convencional en la clasificación de cultivos. La investigación futura se centrará en ampliar las capacidades de AlexNet, optimizar el preprocesamiento y refinar los hiperparámetros para mejorar aún más la precisión de la clasificación de cultivos y apoyar los esfuerzos de seguridad alimentaria global.

##

Referencias

DOI

10.48130/tia-0024-0009

URL de origen original

https://doi.org/10.48130/tia-0024-0009

Sobre la tecnología en agronomía

Tecnología en Agronomía (e-ISSN 2835-9445) es una revista académica en línea de acceso abierto que comparte investigación mundial en tecnologías innovadoras y ciencias aplicadas en agronomía. Tecnología en Agronomía publica artículos de investigación originales, revisiones, opiniones, métodos, editoriales, cartas y perspectivas en todos los aspectos de las ciencias aplicadas y la tecnología relacionadas con la agricultura de producción, incluyendo (pero no limitado a): agronomía, ciencia de los cultivos, ciencia del suelo, agricultura de precisión y agroecología.