La combinación de IA con técnicas mecánicas y químicas para el control de malas hierbas está marcando el comienzo de una nueva era en la agricultura

La adopción de sistemas de Inteligencia Artificial, mediante técnicas de reconocimiento automático, permitirá una detección más precisa de las malas hierbas y evitar la aplicación de herbicidas de manera uniforme o mejorar los procesos de tratamiento por medios mecánicos, lo que a su vez disminuye los costos y el impacto ambiental.

España es uno de los principales productores de frutas y hortalizas, sin embargo, los niveles de exportación caen continuamente, aunque los precios aumenten. Las ventas al exterior se han reducido en volumen casi el 6% durante 2023, mientras que la facturación superó los 16.855 millones de euros (un 6% más). ¿Cuál puede ser la causa de esta tendencia? Para la Federación Española de Productores y Exportadores de Frutas y Hortalizas (FEPEX), los datos son alarmantes. Las importaciones, por el contrario, siguen creciendo a un ritmo acelerado: un 28% en volumen y un 51% en valor en los últimos cinco años, representando ya el 40% del consumo nacional.

¿Cuáles son las causas de este retroceso en la competitividad? FEPEX apunta a dos factores principales: el incremento de los costes salariales y un marco regulatorio desfavorable. Considerando a la vista de este escenario que la única solución factible es mejorar considerablemente el nivel tecnológico de las explotaciones agrarias. En este contexto, según el informe reciente del Observatorio para la Digitalización del Sector Agroalimentario publicado en junio de 2024, el 90% de los productores e industrias alimentarias buscan automatizar sus actividades, ya que afirman que esto reducirá los costos de producción (MAPA, 2024).

Naïo Technologies ha mostrado las capacidades de tratamiento selectivo con robots como el modelo Orio guiado con GPS y cámaras utilizando inteligencia artificial. Foto: DATAGRI.

Sin embargo, este proceso necesita de la implementación de nuevas tecnologías, que inevitablemente dejará atrás puestos de trabajo tradicionales, creando otros puestos de mayor especialización tecnológica, lo que plantea un importante dilema económico y político sobre el coste de dicha transformación digital. La industria agroalimentaria española se enfrenta a un momento de cambio crucial. Adaptarse a las nuevas exigencias del mercado global requiere una transformación profunda, con un impacto social significativo.

El principal desafío para el futuro del sector será equilibrar competitividad, sostenibilidad y bienestar social. En este contexto, uno de los mayores problemas que afectan la producción agrícola, causando entre un 40% y 60% de pérdidas, son las malas hierbas (Garibaldi-Márquez, 2022). Según un estudio global, la pérdida anual mundial de producción de cultivos fue del 13,2%, lo que equivale a la ración anual de alimentos para mil millones de personas (Yuan et al., 2020). Además, la situación se complica debido a la creciente resistencia de estas plantas a los herbicidas de síntesis, su carácter de hospedador de patógenos e insectos, aparición de especies invasoras debidas al comercio global, la reducción de sustancias activas disponibles y el uso extendido de herbicidas.

Por otro lado, la falta de nuevos herbicidas en la Unión Europea hace imprescindible cambiar la gestión del control de malas hierbas. Para abordar este desafío, es necesario implementar soluciones tecnológicas que minimicen el uso de herbicidas, alteren lo menos posible el suelo y palien los efectos mencionados. Este enfoque no solo mejorará la productividad, eficiencia y rentabilidad, sino que también contribuirá a la sostenibilidad ambiental del sector agrario.

Las estrategias de manejo para reducir el impacto de las malas hierbas dependen de diversos factores. Estas estrategias se pueden clasificar en cinco tipos principales: preventivas, que buscan evitar que las malas hierbas se establezcan; culturales, que mantienen la higiene del campo y reducen el banco de semillas de malas hierbas; mecánicas, que incluyen métodos como la siega, el acolchado y la labranza; biológicas, que emplean enemigos naturales de las malas hierbas, como insectos, animales de pastoreo o enfermedades; y químicas, que implican la aplicación de herbicidas.

La gestión sostenible de estas plantas no deseadas se convierte en un imperativo para garantizar la salud del medio ambiente y la viabilidad de la agricultura en el futuro. Una gestión efectiva de las malas hierbas permite reducir significativamente el uso de insumos agrícolas, como herbicidas, fertilizantes y agroquímicos. Esto se traduce en una disminución de la huella ambiental de la agricultura, la conservación de recursos naturales y la protección de la salud humana y el medio ambiente.

Por tanto, en la constante búsqueda por optimizar la agricultura y minimizar su impacto ambiental, la tecnología ha encontrado un campo fértil en la Inteligencia Artificial (IA). La gestión de malas hierbas, un desafío antiguo para los agricultores, está evolucionando de acuerdo a la revolución digital, con soluciones que combinan IA con métodos mecánicos y químicos de tratamiento, prometiendo una gestión más eficiente y sostenible. A día de hoy, la estrategia principal y más efectiva para la gestión de las malas hierbas es la aplicación de herbicidas. Tradicionalmente, los herbicidas se aplican de manera uniforme en todo el campo, sin considerar la distribución espacial ni la existencia de áreas libres de malas hierbas.

En este contexto, la IA entra en escena como un catalizador para el cambio. Mediante el uso de algoritmos avanzados y aprendizaje automático, los sistemas de IA pueden identificar específicamente las malas hierbas dentro de los cultivos, permitiendo tratamientos específicos y localizados. Es decir, tratar solamente dónde es necesario de forma localizada y de forma específica según las especies de malas hierbas en nuestros cultivos (Moreno et al., 2023). Esta precisión no solo reduce la cantidad de herbicidas utilizados, o la alteración de la estructura del terreno por tratamientos mecánicos, sino que también aumenta la eficacia del tratamiento, lo que conlleva a una agricultura más limpia y menos invasiva.

La adopción de sistemas de Inteligencia Artificial, mediante técnicas de reconocimiento automático, permitirá una detección más precisa de las malas hierbas y evitar la aplicación de herbicidas de manera uniforme o mejorar los procesos de tratamiento por medios mecánicos, lo que a su vez disminuye los costos y el impacto ambiental. Un manejo eficiente de las malas hierbas resulta en cultivos más sostenibles y saludables, es decir, evitamos residuos de herbicidas además de evitar la resistencia a los herbicidas, generando mayores rendimientos y por tanto, aumentando el beneficio económico (López-Correa et al., 2024).

La integración de tecnologías avanzadas de sensores e información de los sistemas de aplicación de herbicidas ha dado lugar a una amplia variedad de sistemas comerciales de pulverización de precisión, mejorando significativamente la productividad agrícola. Estos sistemas se dividen principalmente en dos categorías: Verde sobre Marrón (GoB, Green on Brown), que diferencian la vegetación verde del suelo y los residuos de cultivos, y Verde sobre Verde (GoG, Green on Green), que utilizan algoritmos de imagen avanzados para distinguir entre cultivos verdes y malas hierbas verdes.

Los sistemas GoB están diseñados para detectar la presencia o ausencia de plantas verdes, mientras que los sistemas GoG clasifican especies o grupos específicos de plantas. Y es aquí cuando entra de lleno la IA a través de técnicas de aprendizaje profundo (Deep Learning). Los pulverizadores de precisión que integran estas tecnologías pueden dirigirse tanto a grupos localizados de malas hierbas como a plantas individuales.

Un sistema típico de pulverización controlado por sensores incluye detectores, como cámaras RGB simples o sensores infrarrojos, que identifican tanto las malas hierbas como los cultivos. Estos sensores se combinan con sistemas inteligentes que deciden cómo controlar las malas hierbas y aplican herbicidas de manera precisa y localizada. La llegada de sistemas modulares al mercado ha marcado un avance importante, ya que permiten a los agricultores personalizar la combinación de sensores, sistemas expertos y pulverizadores según sus necesidades específicas, aunque generalmente bajo los estándares de un mismo fabricante.

El futuro del manejo de malas hierbas, según el enfoque del proyecto SWEET, incluirá una integración más profunda de la IA en la agricultura diaria. Esto se traducirá en sistemas de monitoreo y actuación autónomos que podrán tomar decisiones en tiempo real sobre el tratamiento de malas hierbas, basándose en datos continuos del estado de los campos

En la actualidad, a pesar de la complejidad en el desarrollo de software inteligente (algoritmos de Deep Learning a través de redes neuronales) los sistemas de pulverización inteligente se están integrando cada vez más en los modelos comerciales además de incluir técnicas de visión artificial. Actualmente empresas como Agrointelli, Ecorobotix, Bilberry, Trimble Agriculture, Weed-It, Farmdroid, AgriCon, Blue-River Technologies, Dimensions Agri Technologies, Kilter Systems, Greeneye Technology, Avirtech y colaboraciones entre BASF, Bosch y Amazone constituyen el mosaico de soluciones comerciales para la aplicación específica y localizada de malas hierbas de herbicidas.

Los distintos enfoques técnicos para la detección y control de malas hierbas integran IA y sistemas RTK-GPS, sensores infrarrojos, detección de vegetación verde (como es el caso específico de Weed-It), mapeo de malas hierbas mediante UAV. Para ello, los sensores utilizados son muy variados, incluyen, LiDAR, varios tipos de cámaras (RGB, multi-cámara, bi-espectral), espectrómetros LED azules de alta resolución, iluminación LED azul e imágenes de radar 4D entre otros.

Respecto a las capacidades de reducción de herbicidas es bastante variable según el enfoque y el objetivo de tratamiento, así Robotti reduce el uso de herbicidas en un 40–60%, ARA hasta un 95%, Bilberry más del 80%, Weedseeker entre un 60–90%, Weed-It un 95% (solo en áreas sin cultivos), H-Sensor un 50% y Blue River’s see and spray hasta un 90%. Smart Spraying (BASF, Bosch y Amazone) logra una reducción del 70%, mientras que FD20, EcoPatch, Kilter AX-1, Greeneye y Avirtech-MIMO tienen tasas de reducción de herbicidas no especificadas. Las aplicaciones de estas tecnologías incluyen robots (Robotti, Bilberry, FD20, Kilter AX-1), sistemas montados en tractores (ARA, Weedseeker, Weed-It, H-Sensor, Blue River’s see and spray, EcoPatch, Greeneye, Smart Spraying) y UAVs (Avirtech-MIMO).

Los altos costos de las aplicaciones químicas y la creciente preocupación global sobre el impacto ambiental de los herbicidas en la agricultura han limitado el uso indiscriminado de estos productos. Además, a pesar de la moderación en los costes de producción observada durante el año 2024, el sector agroalimentario continúa enfrentando importantes desafíos. Entre estos se destacan el fuerte aumento en los costos de producción, los conflictos armados (por ejemplo, modificando rutas logísticas), y los efectos persistentes de la sequía de años anteriores. Aunque los precios han mostrado cierta moderación, se mantienen considerablemente por encima de los niveles previos a la pandemia. En los últimos años, se han registrado incrementos máximos del 226% en los fertilizantes, 113% en las semillas, 157% en los piensos, 202% en la energía y 130% en los productos fitosanitarios (CaixaBank Research, 2023). Dentro de estos últimos, los herbicidas como primera opción para el agricultor, representan a nivel mundial el 60% (Naruhn et al., 2021).

En Europa, los herbicidas representan el 40% del costo total de todos los productos agroquímicos. Esta consideración económica, junto con las preocupaciones ambientales, ha impulsado la creación de legislación europea sobre el Uso Sostenible de Pesticidas (Directiva 2009/128/EC). Además, la exigencia de la UE para garantizar los objetivos 'De la granja a la mesa' supone una mayor presión al requerir una reducción del 50% del uso de pesticidas, reducción del 20% del uso de fertilizantes y el aumento en un 25% de la superficie ecológica (BOE, 2022).

En definitiva, esta combinación de factores está erosionando la competitividad de uno de los sectores más vitales de la economía española, poniendo en riesgo su sostenibilidad y capacidad de exportación. Por tanto, en respuesta a las dificultades del control químico de las malas hierbas, ha surgido un renovado interés en los métodos de tratamiento mecánico. Este interés se debe a varios factores, incluyendo las restricciones legislativas sobre el uso de herbicidas, la presión pública para reducir la dependencia de productos químicos en la agricultura, la creciente resistencia a los herbicidas y las preocupaciones ambientales. Además, el crecimiento de la agricultura orgánica, que limita estrictamente los insumos sintéticos, requiere la adopción de estrategias alternativas para el manejo de malas hierbas.

Por lo tanto, los métodos mecánicos de control de malas hierbas siguen siendo aun si cabe más importantes, especialmente debido a la resistencia a los herbicidas y al impacto ambiental de los productos químicos. El control mecánico de malas hierbas destaca por su efectividad inmediata y la ausencia de residuos químicos, lo que es por otro lado particularmente beneficioso en los sistemas de agricultura ecológica. La eliminación mecánica de malas hierbas siempre conlleva el riesgo de causar daños parciales a los cultivos o incluso la pérdida completa de las plantas cultivadas. El daño físico al cultivo puede ralentizar su crecimiento y permitir la entrada de patógenos, lo que podría provocar infecciones secundarias y reducir el rendimiento. Por ejemplo, las raíces de la remolacha azucarera pueden verse afectadas por la pudrición de la raíz causada por Fusarium o Phoma si se dañan mecánicamente. Debido al riesgo constante de dañar los cultivos, es crucial el guiado preciso de los aperos de tratamiento, por lo que es necesaria la implementación de sensores e incluso potenciados con IA.

Figura 1. Apero mecánico desarrollado por Garford con sistema de guiado de escarda.

Además, para un control mecánico efectivo de las malas hierbas, es importante considerar el momento del tratamiento, la frecuencia, el tipo de apero y la intensidad o agresividad del tratamiento. También deben tomarse en cuenta la etapa de crecimiento del cultivo, la textura y humedad del suelo, así como las condiciones climáticas antes y después del tratamiento. Las tres categorías de cultivo para el control mecánico de malas hierbas post-emergencia en cultivos agrícolas en líneas pueden referirse al tratamiento de la totalidad del campo de cultivo, bien entre líneas o tratamientos dentro de la hilera de cultivo. Esta última sigue representando la técnica más compleja para evitar el daño del cultivo, al mismo tiempo la necesaria para eliminar aquellas malas hierbas que se desarrollan más cerca del cultivo e inciden en mayor medida en su rendimiento. Puesto que la eliminación de malas hierbas en la línea de cultivo es la más compleja, existe una gran variedad de aperos para su eliminación física.

Bajo diferentes denominaciones se presentan 'finger weeders', 'tactile hoeing', 'torsion weeders' y 'weeding brushes'. El uso de 'finger weeders' ha demostrado ser bastante efectivo, pero son más adecuados para etapas de crecimiento más avanzadas. Necesitan que el cultivo tenga un desarrollo de crecimiento y de raíces mucho más avanzado en comparación con las malas hierbas. Por otro lado, la escarda táctil 'tactile hoeing' se puede realizar dentro de la hilera. Actualmente, se están desarrollando muchos sistemas similares; sin embargo, su costo y baja velocidad siguen siendo factores limitantes. Los cepillos para malas hierbas ('weeding brushes') están diseñados para desarraigar malas hierbas pequeñas, pero requieren condiciones óptimas del suelo y etapas específicas de crecimiento tanto de las malas hierbas como de los cultivos.

Respecto a la eliminación de malas hierbas entre líneas de cultivo existen diferentes fabricantes que han propuesto diferentes soluciones. Cada sistema utiliza tecnología avanzada de cámaras para guiar los actuadores mecánicos entre las líneas de cultivo, minimizando así el daño a los cultivos y optimizando el control de malas hierbas. La precisión es un parámetro crítico en estos sistemas, ya que describe el máximo desvío de la guía de la azada respecto a la línea en el centro de dos líneas de cultivo. Una alta precisión asegura que el actuador se mantenga alineado de manera precisa, reduciendo así el riesgo de dañar los cultivos. Por ejemplo, el sistema K.U.L.T. Vision Control® ofrece la mayor precisión con ±2 cm, lo que lo hace particularmente adecuado para cultivos con espaciamientos entre líneas más estrechas. Esta precisión puede mejorar significativamente la protección de cultivos mientras se gestionan eficazmente las malas hierbas. Análogamente, los sistemas Garford Robocrop Guided Hoes®, Horsch Transformer VF, Steketee IC® y OEM Claas Row-Guard® ofrecen las mismas prestaciones, sin embargo, con una precisión menor (±4 cm). Aunque son ligeramente menos precisos que el K.U.L.T. Vision Control®, una precisión de ±4 cm sigue siendo altamente efectiva para prevenir daños en los cultivos y es generalmente adecuada para la mayoría de los cultivos en líneas y condiciones agrícolas típicas.

El parámetro de espaciamiento mínimo entre líneas indica la distancia más pequeña entre las líneas de cultivo que el sistema puede gestionar eficazmente. Esto es crucial para entender la versatilidad y aplicabilidad de cada sistema a diferentes configuraciones de cultivo. El sistema K.U.L.T. Vision Control®, con un espaciamiento mínimo entre líneas de 12.5 cm, puede manejar algunas de las disposiciones de líneas de cultivo más estrechas, proporcionando flexibilidad a los agricultores que cultivan con un espaciamiento mínimo. A diferencia de este sistema, el Garford Robocrop Guided Hoes® puede gestionar espaciamientos de líneas de menos de 10 cm, demostrando una versatilidad excepcional y haciéndolo ideal para cultivos densamente poblados. Por otro lado, el sistema Horsch Transformer VF acomoda un espaciamiento mínimo entre líneas de 20 cm, adecuado para cultivos que requieren un espaciamiento ligeramente mayor. De manera similar, los sistemas Steketee IC® y OEM Claas Row-Guard® requieren un espaciamiento mínimo entre líneas de 25 cm, lo cual es típicamente suficiente para una amplia gama de cultivos en líneas, aunque puede limitar su uso en escenarios de plantaciones densas.

Por otro lado, el tipo de tecnología de cámara empleada por cada sistema juega un papel crucial en la determinación de su efectividad y adecuación a diferentes condiciones agrícolas. Los sistemas K.U.L.T. Vision Control® y Steketee IC® utilizan tecnología bi-espectral (NIR + Rojo) en 1D y 2D, respectivamente. Este enfoque bi-espectral aprovecha las longitudes de onda del infrarrojo cercano y rojo para mejorar el contraste entre los cultivos y las malas hierbas, facilitando una guía más precisa. En contraste, los sistemas Garford Robocrop Guided Hoes® (Figura 1) utilizando el sistema de visión de Tillett & Hague (Figura 2) y OEM Claas Row-Guard® utilizan cámaras de espectro visible 3D y estéreo 3D, respectivamente. La tecnología 3D proporciona una visión comprensiva del campo, permitiendo una navegación precisa y la identificación de malas hierbas en tres dimensiones. Mientras tanto, el sistema Horsch Transformer VF emplea varias cámaras conectadas a través de ISOBUS, junto con control de secciones. El uso de múltiples cámaras asegura un campo de visión más amplio y detallado, mejorando así la precisión general de la guía.

Además, la velocidad máxima a la que estos sistemas pueden operar es un factor importante para las aplicaciones prácticas en el campo. El sistema K.U.L.T. Vision Control®, con una velocidad máxima de 15 km/h, permite operaciones rápidas en el campo, mejorando la eficiencia. De manera similar, los sistemas Garford Robocrop Guided Hoes® y OEM Claas Row-Guard® pueden operar a velocidades de hasta 14 km/h, lo que los hace adecuados para la agricultura a gran escala donde la eficiencia en el tiempo es crítica. Por otro lado, los sistemas Horsch Transformer VF y Steketee IC® operan a velocidades máximas de 12 km/h y 10 km/h, respectivamente. Aunque son ligeramente más lentos, estas velocidades siguen siendo adecuadas para la mayoría de las operaciones agrícolas y permiten un control preciso de los actuadores mecánicos.

En conclusión, resulta esencial comprender todos los factores implicados en los sistemas de guiado con cámara entre líneas con actuadores mecánicos, prestando especial atención a sus ventajas y limitaciones en términos de precisión, distancia mínima entre líneas, tecnología de cámara utilizada y velocidad operativa máxima. Estos factores, en conjunto, determinan la adecuación de cada sistema para diferentes entornos agrícolas. Así, proporcionan a los agricultores una base sólida para seleccionar la tecnología que mejor se ajuste a las necesidades específicas de sus explotaciones, optimizando así la eficiencia y efectividad en las labores del campo (Gerhards et al., 2022).

Otra solución propuesta por el fabricante Hatzenbichler, consiste en una rastra ecológica de púas que permite una adaptación precisa al suelo y eliminación de malas hierbas en cultivos como cereales, maíz, remolacha azucarera, colza, soja, guisantes, patatas, hortalizas y en pastizales. Cuenta con una base de rastra móvil y púas ajustables en ángulo a través de un sistema hidráulico según el análisis de imagen correspondiente, permitiendo el control de malas hierbas tanto en líneas como entre líneas. Por tanto, en un controlador montado en la rastra de púas se incluye un sistema de análisis de imagen continuo para medir la eficacia del control de malas hierbas, un sistema de apoyo a la toma de decisiones y un control automático de la intensidad de la rastra mediante el ajuste hidráulico del ángulo de las púas (Figura 3).

Una de las aplicaciones más prometedoras de la IA es la automatización del control de malas hierbas. Robots equipados con cámaras y sensores pueden recorrer los campos, identificando y localizando malas hierbas para su posterior tratamiento específico. Algunos de estos robots pueden ser considerados autónomos puesto que la detección tanto de cultivos como de malas hierbas, así como la conducción son plenamente autónomas. Por ejemplo, Farming Revolution ofrece un sistema plenamente robotizado autónomo que utiliza cámaras fijas y rotatorias e inteligencia artificial (redes neuronales) para distinguir con precisión entre cultivos (hasta 69) y malas hierbas (distinguiendo desde los primeros estadios de desarrollo). Representa un sistema eficaz tanto para el deshierbe entre líneas como dentro de las líneas, con hasta 5 mm de precisión, incluso eliminando malas hierbas solapadas con los cultivos (Figura 4).

Por otro lado, Naïo Technologies ha mostrado las capacidades de tratamiento selectivo con robots como el modelo Orio guiado con GPS y cámaras utilizando inteligencia artificial. El sistema puede trabjar desplazándose a una velocidad de hasta 5,5 km/h. Está indicado para cultivos de lechuga, cebolla, zanahorias, nabos, puerros o coliflor, ajo e incluso cultivos de menta y cilantro. Bosch Deepfield robotics ofrece también una solución parecida identificando las malas hierbas, incluso trabajando de forma colaborativa con más unidades en el campo de forma simultánea, lo que se conoce como flotas o enjambres de robots. Farmdroid FD20® ofrece una plataforma de 2.7 m de ancho y está equipado con paneles solares y un sistema GPS que permite registrar de forma precisa la ubicación de la semilla del cultivo, trabajar de forma plenamente autónoma eliminando malas hierbas tanto en la línea del cultivo como entre líneas (Figura 5).

Destacar también el sistema desarrollado por KULT-iSelect® junto con la Universidad de Hohenheim utilizando escarda mecánica en la línea de cultivo como una extensión de KULT-Vision Control Hoe®. Emplea cámaras multiespectrales y sistemas de reconocimiento de malas hierbas con inteligencia artificial (Gerhards et al. 2024). Este sistema constituye un avance significativo en el ámbito de la robótica agrícola, al ser capaz de distinguir entre especies de malas hierbas problemáticas y beneficiosas. Esta capacidad permite preservar especies de malas hierbas a proteger o con funciones ecológicas positivas durante las operaciones de tratamiento. Tal innovación fomenta una agricultura más sostenible y respetuosa con el medio ambiente al favorecer la biodiversidad.

No obstante, uno de los principales inconvenientes de este robot es su baja velocidad operativa, ya que trabaja a un ritmo de 1 km/h y cubre aproximadamente 0,4 hectáreas por hora, lo que puede considerarse insuficiente para explotaciones agrícolas de gran escala, afectando potencialmente su eficiencia en operaciones extensivas. A pesar de esta limitación, su precisión y capacidad de selección lo hacen altamente valioso en contextos donde se prioriza la conservación ecológica y la biodiversidad. Por otro lado, el sistema propuesto por Vulcan de FarmWise®, que emplea técnicas de aprendizaje automático ('Machine Learning'), representa una evolución en el control de malezas en las líneas de cultivo. En comparación con sistemas más lentos, este sistema tiene la capacidad de tratar más de 1 hectárea por hora, lo que lo convierte en una herramienta altamente eficiente para explotaciones agrícolas a gran escala.

Dentro del panorama actual de la agricultura sostenible, el proyecto SWEET (Sustainable Weed Management by Agroecological and Technical Approaches, https://sweet.csic.es/) emerge como una iniciativa innovadora del CSIC, financiado por la Unión Europea a través de los fondos NextGenerationEU. Este proyecto se centra en desarrollar y optimizar técnicas de manejo de malas hierbas de forma mecánica. El objetivo principal de SWEET es crear un sistema de manejo de malas hierbas que sea específico para cada localización de la plántula, adaptando las técnicas a las condiciones particulares de cada cultivo. Esto incluye el desarrollo de métodos mecánicos que permitan un control físico, es decir mecánico de las malas hierbas sin afectar los cultivos. Para lograr estos fines, SWEET integra tecnologías avanzadas como la visión por computador y la inteligencia artificial a través de redes neuronales. Estas tecnologías permiten identificar con precisión las malas hierbas, diferenciándolas de los cultivos, lo cual es crucial para aplicar tratamientos de manera efectiva y minimizar el daño a los cultivos y al suelo (Figura 6).

Figura 6. Resultados de identificación de malas hierbas de los modelos de aprendizaje profundo (Deep Learning) en un contexto complejo. En las notas encima del cuadro de detección, el nombre de la mala hierba según el código EPPO y su correspondiente precisión en la detección.

La combinación de IA con técnicas mecánicas y químicas para el control de malas hierbas está marcando el comienzo de una nueva era en la agricultura. Esta convergencia tecnológica no solo ofrece soluciones más eficaces y específicas, sino que también promueve un enfoque más sostenible y respetuoso con el medio ambiente, respondiendo a la creciente demanda de prácticas agrícolas responsables y que minimicen el impacto negativo sobre los ecosistemas. A medida que estas tecnologías evolucionan y se vuelven más accesibles, podrían transformar fundamentalmente el paisaje agrícola, beneficiando tanto a los agricultores como al medioambiente.

La IA permite la identificación precisa de malas hierbas mediante el uso de sistemas de visión artificial, plataformas terrestres robotizadas o autónomas, drones y sensores avanzados, lo cual facilita la aplicación localizada de herbicidas solo en las zonas afectadas. Este enfoque reduce significativamente el uso de fitosanitarios, disminuyendo la contaminación de los suelos y las aguas subterráneas y, al mismo tiempo, permite aumentar la rentabilidad de las explotaciones agrarias. Además, la IA se combina con robots agrícolas que pueden realizar tratamientos mecánicos, arrancando malas hierbas con una precisión que antes era impensable. De este modo, se disminuye la dependencia de los agroquímicos y se promueve una agricultura más sostenible.

A pesar de estos avances, la implementación de IA en el control de malas hierbas enfrenta varios desafíos considerables. En primer lugar, la variabilidad de las condiciones de campo es un reto importante; factores como el clima, el tipo de suelo y la topografía generan un entorno complejo donde las soluciones tecnológicas deben adaptarse constantemente. Las diferencias en las especies de malas hierbas representan otra barrera, ya que la IA debe ser capaz de identificar una gran variedad de plantas no deseadas con alta precisión, incluso bajo condiciones lumínicas cambiantes o cuando las malas hierbas están parcialmente cubiertas por cultivos. La capacidad de aprendizaje de las redes neuronales empleadas en estos sistemas debe mejorarse continuamente para abarcar estos contextos variables y garantizar una clasificación precisa.

Otro obstáculo significativo son las limitaciones tecnológicas de los sistemas de control mecánico. Aunque los robots pueden ser precisos, su velocidad de trabajo es limitada, especialmente en tratamientos mecánicos, donde difícilmente se supera una velocidad de 5 km/h. Esto hace que el manejo mecánico de grandes extensiones de cultivo sea todavía un desafío logístico y económico. La eficiencia de estos sistemas debe mejorar para ser competitiva con respecto a los métodos tradicionales de pulverización de herbicidas.

Asimismo, la integración de nuevas tecnologías implica una inversión inicial considerable. Muchos agricultores, carecen de los recursos necesarios para adquirir equipos avanzados de IA o al menos con algún grado de automatización. Además, la implementación efectiva de estas herramientas requiere una formación adecuada que permita a los agricultores aprovechar al máximo su potencial, así como un sistema de soporte técnico que, en la actualidad, es prácticamente inexistente. En muchos casos, las herramientas y equipos se comercializan sin ofrecer el acompañamiento técnico necesario para asegurar su correcto funcionamiento y optimizar su rentabilidad. Además, la adaptación tecnológica en el sector agrícola no solo incluye la compra de hardware y software, sino también un cambio cultural hacia la aceptación de enfoques digitales y automatizados, lo cual puede ser una barrera significativa para los pequeños productores.

En cualquier caso, a pesar de estos desafíos, el futuro del control de malas hierbas con IA es prometedor. A medida que la tecnología continúa avanzando, se espera que los costos de producción y adquisición disminuyan, haciendo estos sistemas más accesibles para un mayor número de agricultores. Además, la eficiencia y precisión de estos sistemas mejorará con el tiempo, gracias al desarrollo de algoritmos de aprendizaje profundo que puedan interpretar datos en tiempo real y adaptarse a nuevas circunstancias. El avance en la conectividad rural, mediante tecnologías como 5G, facilitará la transmisión de datos y permitirá la gestión remota y en tiempo real de estas tecnologías, aumentando así la efectividad del manejo de malas hierbas.

Otro aspecto importante para el futuro será la integración de múltiples tecnologías en sistemas de manejo integrados. La sinergia entre sensores de campo, drones, robots autónomos y plataformas de análisis basadas en la nube puede ofrecer un control de malas hierbas más holístico. Por ejemplo, los drones equipados con cámaras multiespectrales podrían proporcionar mapas detallados de infestación de malas hierbas, mientras que los robots autónomos aplicarían tratamientos mecánicos o químicos específicos basados en estos mapas. Esta integración permitiría una respuesta más rápida y adaptada a las condiciones específicas del campo, optimizando recursos y reduciendo costos.

La investigación continua y la colaboración entre tecnólogos, agrónomos y agricultores serán esenciales para optimizar estas tecnologías y asegurar su sostenibilidad y efectividad a largo plazo. Los desarrollos en IA no ocurren en el vacío; requieren de una comprensión profunda de las prácticas agrícolas y del entorno en el cual se implementan. En este sentido, las alianzas público-privadas, el apoyo gubernamental y las políticas de subsidios jugarán un papel crucial para fomentar la adopción de estas tecnologías.

Además, es esencial que la sociedad en su conjunto apoye estas innovaciones, ya que el control de malas hierbas con IA no solo beneficia a los agricultores, sino que también contribuye al bienestar de los consumidores al reducir el uso de productos químicos en los alimentos y a la conservación del medio ambiente. Con un enfoque adecuado y un compromiso continuo hacia la innovación, la inteligencia artificial podría ser la clave para una agricultura más productiva, eficiente y sostenible, que satisfaga las necesidades de la población en crecimiento mientras protege el ecosistema agrario y el medio rural.

Es esencial que la sociedad en su conjunto apoye estas innovaciones, ya que el control de malas hierbas con IA no solo beneficia a los agricultores, sino que también contribuye al bienestar de los consumidores al reducir el uso de productos químicos en los alimentos y a la conservación del medio ambiente

Agradecimientos

Este trabajo ha sido financiado por el proyecto MIXWEEDING PID2023-150108OB-C33 del MCIU / AEI / 10.13039/501100011033 / FEDER, EU y el proyecto SWEET (Sustainable weed management by agroecological and technical approaches) que ha recibido apoyo financiero de los fondos NextGeneration de la Unión Europea bajo los auspicios del acuerdo de subvención número TED2021-130031B-I00.

Referencias

Boletín Oficial del Estado (BOE). (2022). Resolución de la Dirección General de Calidad y Evaluación Ambiental, por la que se formula declaración ambiental estratégica del Plan Estratégico de la Política Agraria Común para España en el periodo 2023-2027. https://www.boe.es/diario_boe/txt.php?id=BOE-A-2022-23029

CaixaBank Research. (2023). Costes de producción y sequía afectan al sector agroalimentario. Recuperado de https://www.caixabankresearch.com/es/analisis-sectorial/agroalimentario/costes-produccion-y-sequia-afectan-al-sector-agroalimentario el 17 de octubre de 2024.

Garibaldi-Márquez, F.; Flores, G.; Mercado-Ravell, D.A.; Ramírez-Pedraza, A.; Valentín-Coronado, L.M. Weed Classification from Natural Corn Field-Multi-Plant Images Based on Shallow and Deep Learning. Sensors 2022, 22, 3021. https://doi.org/10.3390/s22083021

Gerhards, R., Andújar Sanchez, D., Hamouz, P., Peteinatos, G.G., Christensen, S. & Fernandez-Quintanilla, C. (2022). Advances in site-specific weed management in agriculture—A review. Weed Research, 62, 123–133. Available from: https://doi.org/10.1111/wre.12526

Gerhards, R., Risser, P., Spaeth, M., Saile, M. & Peteinatos, G. (2024) A comparison of seven innovative robotic weeding systems and reference herbicide strategies in sugar beet (Beta vulgaris subsp. vulgaris L.) and rapeseed (Brassica napus L.). Weed Research, 64(1), 42–53. Available from: https://doi.org/10.1111/wre.12603

López-Correa JM., Moreno H., Sebastian Pérez D., Bromberg F., Andújar D. (2024) Towards a true conservation zero tillage system: “A proposed solution based on computer vision to herbicide resistance.”, Computers and Electronics in Agriculture, Volume 217, 2024, 108576, ISSN 0168-1699, https://doi.org/10.1016/j.compag.2023.108576.

Ministerio de Agricultura, Pesca y Alimentación. Secretaría General Técnica. Centro de Publicaciones. Junio 2024. Observatorio para la Digitalización del Sector Agroalimentario. La transformación digital del sector agroalimentario vista por sus profesionales.

Moreno H., Gómez A., Altares-López A., Ribeiro A., Andújar D. (2023) Analysis of Stable Diffusion-derived fake weeds performance for training Convolutional Neural Networks, Comput. Electron. Agric., Volume 214, 2023, 108324, ISSN 0168-1699, https://doi.org/10.1016/j.compag.2023.108324

Naruhn G-P, Peteinatos GG, Butz AF, Möller K, Gerhards R. Efficacy of Various Mechanical Weeding Methods—Single and in Combination—In Terms of Different Field Conditions and Weed Densities. Agronomy. 2021; 11(10):2084. https://doi.org/10.3390/agronomy11102084

Yuan, H., Zhao, N., Chen, M. (2020). Research progress and prospect of field weed recognition based on image processing. J. Agric. Machinery 51, 323–334.