Spectral Response of Wheat Straw Residue and Crop Residue Cover Inversion

En el ritmo tranquilo de la agricultura, las secuelas de una cosecha son a menudo tan importantes como la cosecha misma. Cuando se corta un campo de trigo, los tallos y hojas sobrantes no simplemente desaparecen; permanecen en la superficie del suelo, una capa de materia orgánica conocida como residuo de cultivo. Dejar este material en su lugar es una herramienta poderosa para la tierra. Actúa como una manta protectora, reteniendo la humedad en el suelo durante los periodos de sequía, frenando el viento y el agua que de otro modo lavarían la fértil capa superficial del suelo, y alimentando lentamente la tierra con nutrientes a medida que se descompone. Los agricultores que dejan estos residuos practican lo que se llama labranza de conservación, un método que prioriza la salud del suelo a largo plazo sobre la velocidad de ararlo. Sin embargo, para saber si este método se está utilizando correctamente, los científicos necesitan una forma de medir exactamente cuánto terreno está cubierto por estos tallos. Si la cobertura es demasiado baja, el suelo es vulnerable; si es lo suficientemente alta, la tierra está siendo protegida.

Durante décadas, medir esta cobertura significaba enviar personas a los campos con cámaras y tablas de anotaciones, contando cada trozo de paja que pudieran ver en un pequeño cuadrado de terreno. Aunque era preciso, este proceso era lento, laborioso y difícil de escalar para cubrir regiones enteras. En años recientes, el enfoque se ha desplazado hacia el uso de la luz para realizar el conteo. Cada objeto refleja la luz de una manera única, y el material vegetal seco tiene una firma distinta que difiere del suelo desnudo. Al analizar los colores específicos de la luz que rebota de un campo, los investigadores esperan calcular el porcentaje de suelo cubierto por la paja sin tener que pisar el terreno. No obstante, esta tarea se complica por el hecho de que la paja no yace plana como una alfombra. Dependiendo de cómo el agricultor gestione el campo —ya sea que deje los tallos de pie, los pique en trozos pequeños o los ara con el arado profundamente en la tierra— la forma en que la luz rebota cambia. Comprender estas sutiles diferencias es la clave para convertir una simple medición de luz en un mapa confiable de la salud del suelo.

Un investigador, Yang Haolin, de la Escuela Beijing Bayi, se propuso resolver este rompecabezas creando un mapa detallado de cómo interactúa la paja de trigo con la luz bajo diferentes condiciones. Comenzaron estableciendo un experimento controlado en un centro de investigación en Xiaotangshan, al norte de Beijing. Aquí, cultivaron trigo de invierno y, tras la cosecha, aplicaron cuatro técnicas de gestión distintas a diferentes secciones del campo. Algunos parcelas se dejaron con el rastrojo erguido, otras tuvieron la paja picada en trozos pequeños y esparcida, algunas fueron tratadas con un cultivador rotativo que mezcló el residuo en la capa superior del suelo, y otras fueron aradas profundamente. Esta variedad les permitió ver cómo la disposición física de la paja, no solo la cantidad de la misma, cambiaba la apariencia del campo ante un sensor.

Para capturar estos cambios, recorrieron los campos con un espectrómetro portátil, un dispositivo que actúa como un ojo sofisticado capaz de ver muchos más colores de los que el cerebro humano puede procesar. Midieron la luz que se reflejaba en la mezcla de suelo y paja en cientos de longitudes de onda diferentes, que van desde el espectro visible que podemos ver hasta las longitudes de onda infrarrojas que no podemos ver. Simultáneamente, tomaron fotografías del suelo desde arriba directamente y utilizaron un método de cuadrícula para contar exactamente cuánto terreno estaba cubierto por la paja, creando una "verdad de terreno" precisa para comparar contra las lectiones de luz. También recopilaron datos similares de campos de trigo reales en la provincia de Henan para asegurar que sus hallazgos se mantuvieran fuera del entorno controlado de la estación de investigación.

El investigador descubrió que la luz reflejada del campo cambiaba de maneras predecibles a medida que aumentaba la cantidad de cobertura de paja. Encontraron que el área más sensible para detectar esta cobertura estaba en la parte de onda corta del infrarrojo del espectro, una región de luz que interactúa fuertemente con la celulosa y la lignina presentes en las paredes celulares de las plantas. Al analizar los datos, identificaron una banda específica de luz a 1320 nanómetros que era particularmente buena para señalar la presencia de paja. También probaron varias fórmulas matemáticas, conocidas como índices espectrales, que combinan diferentes longitudes de onda de luz para resaltar el residuo de cultivo. Los resultados mostraron que los índices diseñados para buscar celulosa y lignina eran mucho más efectivos para detectar la paja que las fórmulas estándar utilizadas para medir plantas verdes y vivas.

Con estas firmas de luz en mano, el investigador recurrió a modelos computacionales para construir un sistema que pudiera predecir la cantidad de cobertura de paja basándose únicamente en los datos de luz. Probaron cinco tipos diferentes de algoritmos de aprendizaje automático, que son programas diseñados para encontrar patrones en los datos. Algunos de estos modelos eran simples y lineales, mientras que otros eran complejos y capaces de aprender relaciones intrincadas. Los resultados fueron claros: el modelo más exitoso fue un método llamado Bosque Aleatorio (Random Forest). Este enfoque, que funciona construyendo muchos árboles de decisión pequeños y combinando sus respuestas, alcanzó una tasa de precisión donde sus predicciones coincidían con las mediciones reales el 95 por ciento de las veces. En contraste, un modelo de aprendizaje profundo más complejo, que suele utilizarse para tareas avanzadas, no funcionó bien. El investigador señaló que este modelo de aprendizaje profundo requería mucha más información de la que tenían disponible para aprender de manera efectiva, lo que llevó a predicciones deficientes. Este hallazgo sugiere que, para esta tarea específica, un modelo más robusto y simple es más confiable que uno complejo cuando se trabaja con datos de campo limitados.

Quizás la parte más significativa del estudio fue probar si un modelo construido en un experimento controlado podía funcionar en el mundo real. El investigador tomó su mejor modelo y lo aplicó a los datos de los campos de trigo reales en la provincia de Henan. Tras realizar ajustes menores en la configuración, el modelo estimó con éxito la cobertura de paja en estos escenarios del mundo real. Esto demostró que la relación entre la luz y la cobertura de paja es lo suficientemente fuerte como para viajar a través de diferentes ubicaciones y condiciones. El estudio confirma que, al comprender cómo la estructura física del campo afecta la luz, los científicos pueden crear herramientas que monitoreen con precisión las prácticas de agricultura de conservación en áreas extensas. Aunque el trabajo se realizó con sensores terrestres, el investigador ve un camino claro hacia adelante: estos mismos principios pueden aplicarse a imágenes tomadas por drones y satélites, permitiendo eventualmente el monitoreo dinámico y a gran escala de la salud del suelo que los agricultores y los responsables políticos necesitan para proteger la tierra para el futuro.