En un contexto de creciente demanda de alimentos y de desafíos climáticos, la productividad agrícola se enfrenta a amenazas como la variabilidad meteorológica y la proliferación de plagas. La mosca del olivo, en particular, puede causar pérdidas significativas en los cultivos si no se detecta a tiempo. Para hacer frente a este problema, la inteligencia artificial y el análisis de datos multimodales se perfilan como herramientas clave para anticipar brotes y reducir el uso indiscriminado de productos químicos.
Con este objetivo, el grupo Data Science & Big Data Lab de la Universidad Pablo de Olavide ha desarrollado un modelo híbrido y multimodal capaz de predecir, con una semana de antelación, la evolución de la población de la mosca del olivo. El sistema combina imágenes de satélite Sentinel-2 y datos meteorológicos para ofrecer una herramienta precisa, sostenible y práctica de apoyo a la toma de decisiones en el campo. Este avance ha sido publicado en la revista Information Fusion, una de las más prestigiosas del área de inteligencia artificial.
Según la investigadora principal del grupo, Alicia Troncoso, “este avance es fruto de la convergencia entre visión por computador y aprendizaje automático, y aporta una herramienta robusta y práctica para apoyar la toma de decisiones en el campo”.
El enfoque combina un tipo de modelo de aprendizaje profundo, conocido como red neuronal convolucional, que extrae características espaciales de imágenes satelitales, con algoritmos de aprendizaje automático, que son los que finalmente obtienen las predicciones semanales. Las imágenes satelitales usadas representan índices vegetativos que indican el verdor, densidad y salud de la vegetación, así como el aspecto de las masas de agua presentes y la humedad atmosférica. De esta forma, los modelos de aprendizaje automático aprenden de la fusión de la información extraída de las imágenes junto con variables climatológicas tales como temperatura, humedad, radiación solar y precipitaciones. Esto se traduce en una detección más fiable de los picos de infestación, permitiendo intervenciones fitosanitarias en el momento óptimo.
“La fusión de patrones espaciales extraídos de imágenes satelitales con datos meteorológicos mejora notablemente la precisión predictiva, facilitando medidas preventivas con el margen de tiempo necesario para maximizar su efectividad”, afirma Andrés Manuel Chacón Maldonado, doctorando que ha desarrollado este trabajo como parte de su tesis doctoral, dirigida por los doctores Alicia Troncoso Lora y Gualberto Asencio Cortés.
Una alerta temprana para el campo
Detectar una plaga cuando ya ha causado daños visibles suele ser demasiado tarde. En la agricultura, como en la medicina, prevenir es siempre más efectivo que curar. “Este modelo que hemos desarrollado funciona como un sistema de alerta temprana para los olivares: analiza semana a semana tanto las condiciones meteorológicas como el estado del cultivo observado desde el satélite, y predice si se espera un incremento en la población de la mosca del olivo”, afirma Gualberto Asencio Cortés, investigador del proyecto nacional de investigación ‘Green machine learning for water and climate change’, en el que se enmarca este estudio.
Esta predicción con hasta una semana de antelación supone una ventaja estratégica para el agricultor. Le permite preparar los tratamientos necesarios con tiempo, movilizar recursos de forma eficiente y, en muchos casos, evitar daños que solo serían visibles días después. También contribuye a optimizar la programación de muestreos de campo, priorizando las parcelas con mayor riesgo y haciendo más eficiente la labor de vigilancia.
Agricultura más consciente y menos química
Uno de los principales desafíos de la agricultura moderna es lograr una producción suficiente y rentable sin comprometer el equilibrio ambiental. El uso extendido de productos fitosanitarios, aunque necesario en muchos casos para combatir plagas, puede generar consecuencias negativas tanto para el ecosistema como para la calidad del propio cultivo. Su aplicación frecuente o preventiva, sin datos que lo justifiquen, incrementa los costes, daña la biodiversidad, afectando a insectos beneficiosos como polinizadores o depredadores naturales, y deja residuos en el suelo, el agua e incluso en el fruto destinado al consumo.
El modelo predictivo desarrollado en este trabajo propone una alternativa más precisa y respetuosa. Al anticipar los momentos críticos en los que la plaga alcanzará su punto máximo, los tratamientos pueden aplicarse de forma oportuna y únicamente cuando son realmente necesarios. Esto no solo reduce la cantidad de productos utilizados, sino que permite enfocarse en las zonas donde existe un mayor riesgo, evitando las intervenciones generalizadas y en muchas ocasiones innecesarias.
El resultado es una gestión más eficiente del olivar, que cuida la salud del cultivo y del entorno sin renunciar a la productividad. Con ayuda de la inteligencia artificial, se abre la puerta a una agricultura más consciente, que deja atrás prácticas rutinarias y da paso a decisiones informadas, responsables y alineadas con los principios de sostenibilidad.
Referencia:
A.M. Chacón-Maldonado, G. Asencio-Cortés, A. Troncoso. A multimodal hybrid deep learning approach for pest forecasting using time series and satellite images. Information Fusion, vol. 124 (103350). 2025. https://doi.org/10.1016/j.inffus.2025.103350
