AI for Precision Fertilizer and Pesticide Application: An Integrated Real-Time Deep Learning and IoT-Driven Field Management System

Resumen Técnico: IA para la Aplicación de Precisión de Fertilizantes y Pesticidas

Planteamiento del Problema
El artículo aborda las ineficiencias de la programación de agroquímicos de "tasa de manta" (blanket-rate), una práctica dominante en la India rural y el sur de Asia donde se aplican cantidades uniformes de fertilizantes y pesticidas independientemente de las necesidades espaciales o temporales del cultivo. Este enfoque conduce a resultados negativos en cascada: escorrentía de nutrientes hacia las vías fluviales, daños por pesticidas fuera del objetivo a los polinizadores, erosión de los márgenes de beneficio para los agricultores y aceleración de las emisiones de gases de efecto invernadero derivadas de la actividad microbiana del suelo. Si bien existen sistemas de tasa variable, estos han estado históricamente limitados a grandes granjas mecanizadas en América del Norte y Europa debido a los altos costos de equipo y a la falta de inteligencia computacional para actualizar las recomendaciones de forma dinámica. Además, la literatura existente suele estudiar la detección, la predicción del rendimiento o el enrutamiento de forma aislada, careciendo de un flujo operativo validado de extremo a extremo probado a través de múltiples temporadas en pequeñas explotaciones agrícolas de la India peninsular.

Metodología
El estudio propone y despliega una plataforma de gestión de campo inteligente de cuatro capas y de bucle cerrado:

1. Capa 1: Adquisición de Datos

   • Aérea: Un UAV DJI Agras T40 equipado con un sensor Micasense Altum-PT captura seis canales espectrales (Azul, Verde, Rojo, Red-Edge, NIR, Térmico) a 10 m de altitud.
   • Terrestre: Ocho sondas multidigitales EnviroPro EP100 monitorean el contenido volumétrico de agua, el nitrógeno de nitrato y la temperatura del suelo a profundidades de 15, 30 y 60 cm vía LoRaWAN.
   • Meteorológica/Satelital: Una estación meteorológica Davis Vantage Pro2 proporciona datos locales, mientras que se recuperan imágenes satelitales de Sentinel-2 cada 5–7 días.

2. Capa 2: Motor de Procesamiento de IA

   • Localización de Plagas/Enfermedades: Un modelo YOLOv8-L ajustado (68.2M de parámetros) detecta 23 categorías de plagas y enfermedades (p. ej., saltahojas marrón, quemado foliar) en una resolución de 640×640, logrando inferencia en tiempo real en hardware NVIDIA Jetson AGX Orin.
   • Graduación de Salud del Dosel: Una arquitectura de base ResNet-50 clasifica el estrés del dosel en cinco niveles (Sin Estrés a Crítico) utilizando teselas de 256×256 píxeles extraídas de ortomosaicos.
   • Pronóstico de Rendimiento: Una red LSTM apilada de dos capas (256 unidades ocultas) predice trayectorias de rendimiento a 7 días utilizando 18 variables de entrada, incluyendo índices de vegetación, humedad del suelo y datos climáticos.

3. Capa 3: Decisión y Control

   • Generación de Prescripción: Los resultados de los modelos de IA se fusionan con los datos de los sensores del suelo. Un regresor XGBoost calcula prescripciones de fertilizante de tasa variable (N, P, K) basadas en el estado actual del suelo, la etapa de crecimiento y los pronósticos de rendimiento.
   • Marcado de Pesticidas: Un mapa binario identifica celdas de cuadrícula donde la cobertura de plagas supera el 15% del área foliar visible (umbral de daño económico).
   • Optimización de Ruta: Un agente de Red Q Profunda (DQN) planifica rutas de pulverización autónomas con drones. Entrenado en una simulación personalizada de OpenAI Gym, el agente optimiza la cobertura mientras penaliza visitas redundantes, violaciones de límites y agotamiento de la batería.

4. Capa 4: Actuación y Retroalimentación

   • El sistema ejecuta la pulverización autónoma del dron basada en los mapas de prescripción generados. La telemetría de rendimiento se redirige a la capa de adquisición de datos para refinar futuros modelos.

Contribuciones Clave

• Arquitectura Integrada: El diseño y despliegue físico de un sistema de extremo a extremo de cuatro capas que vincula la detección por UAV, la IA de borde-nube, la generación de prescripciones y la actuación autónoma en un solo bucle.
• Creación de Dataset: Ensamblaje y publicación de un conjunto de datos anotado personalizado que contiene 14,300 imágenes de campo de 23 categorías de plagas y enfermedades, representando la colección más grande de su tipo para sistemas trigo-arroz de la India.
• Pipeline de Detección Híbrido: Una fusión de YOLOv8-L y ResNet-50 que logra un promedio de precisión media (mAP) del 95.6% en datos de condiciones de campo, superando a cinco algoritmos de referencia.
• Enrutamiento Optimizado: Un planificador de pulverización basado en DQN que transfiere con éxito de la simulación a los campos físicos, reduciendo la longitud de la ruta de vuelo en un 31.4% en comparación con las trayectorias convencionales de "cortacésped".
• Validación Multi-Estacional: Ensayos de campo realizados durante dos temporadas consecutivas de cultivo (Rabi 2022–23 y Kharif 2023–24) en seis parcelas (4.8 ha en total) en Baramati, Maharashtra, confirmando la robustez a través de tipos de cultivos y variabilidad climática.

Resultados Experimentales
El sistema se comparó contra un control de tasa de manta convencional (CTRL) y un tratamiento de IA manual (AI-MAN). Los resultados clave para el sistema autónomo (AI-AUTO) incluyeron:

• Precisión de Detección: 95.6% mAP en todas las 23 clases; clases de alto rendimiento específicas incluyeron Saltahojas Marrón (97.8% AP) y Quemado Foliar (96.3% AP).
• Reducción de Insumos:
  • La aplicación de Nitrógeno se redujo en un 47.3% (ahorrando 103.4 kg N/ha).
  • El volumen de pesticida se redujo en un 38.1%, con ahorros de fungicidas alcanzando el 42.4% debido a la detección temprana (11.3 días antes de los umbrales convencionales).
  • El Fósforo y el Potasio se redujeron en un 29.2% y 33.8%, respectivamente.
• Mejora del Rendimiento:
  • El rendimiento del Trigo aumentó un 22.4% (5.84 t/ha frente a 4.79 t/ha).
  • El rendimiento del Arroz aumentó un 22.0% (6.21 t/ha frente a 5.09 t/ha).
  • El análisis estadístico (ANOVA, Tukey's HSD) confirmó que estas ganancias fueron significativas al nivel de confianza del 99% y no se debieron a artefactos estacionales.
• Latencia del Sistema: La latencia de extremo a extremo desde la captura de imagen hasta la actualización de la prescripción promedió 4.2 segundos, con una inferencia a nivel de fotograma de 35 FPS, cumpliendo con los requisitos operativos en tiempo real.

Significancia y Reivindicaciones
El artículo afirma proporcionar el despliegue de campo más integralmente validado de agricultura de precisión con IA integrada en sistemas de trigo-arroz de la India reportado en la literatura abierta hasta la fecha. Demuestra que un sistema de IA de extremo a extremo puede reducir simultáneamente el consumo de agroquímicos y aumentar el rendimiento cosechado en parcelas de escala de pequeños agricultores sin aumentar las cantidades totales de insumos.

Los autores enfatizan que la capacidad del sistema para actualizar dinámicamente las prescripciones basándose en la absorción de cultivos en tiempo real y el clima, en lugar de depender de mapas estáticos de pretemporada, es el motor principal de los significativos ahorros de nitrógeno (47.3%) observados, que exceden las reducciones típicas de los ensayos de tasa variable convencionales. El estudio concluye que la convergencia de hardware de IA asequible, conectividad ubicua y efectividad agronómica demostrada crea las condiciones para que la agricultura de precisión actuada por IA transicione de una novedad de investigación a una herramienta escalable para la resiliencia de los sistemas alimentarios dentro de la década actual. Sin embargo, los autores señalan modestamente que la propiedad directa de los agricultores individuales aún no es económicamente viable debido a los altos costos de capital, sugiriendo que los modelos cooperativos o de proveedores de servicios son necesarios para un escalamiento a corto plazo.