Ponente
Descripción
El uso de inteligencia artificial para el monitoreo fitosanitario mediante imágenes multiespectrales enfrenta un problema metodológico crítico: un modelo puede alcanzar métricas elevadas cuando se evalúa con píxeles provenientes de las mismas parcelas utilizadas durante el entrenamiento y, sin embargo, perder capacidad predictiva al aplicarse a un cultivo no observado previamente. En este trabajo se analiza este problema en un sistema experimental para el monitoreo de enfermedades en cultivos de tomate en Caaguazú, Paraguay, combinando imágenes multiespectrales de dron, observaciones de campo y series satelitales PlanetScope.
Se construyó un conjunto de datos con 371 regiones de interés etiquetadas manualmente, correspondientes a 233 regiones sanas y 138 enfermas. Para la clasificación píxel a píxel de imágenes de dron se evaluaron modelos basados en aprendizaje automático y redes convolucionales sobre seis combinaciones parcela-fecha. Las exactitudes obtenidas mediante validación interna variaron entre 0,845 y 0,992; sin embargo, el recall de la clase enferma mostró una variabilidad considerable, entre 0,08 y 1,00 según la parcela y el modelo, evidenciando que una alta exactitud global no garantiza una detección estable de tejido afectado.
Como estrategia complementaria se evaluaron nueve métodos no supervisados de detección de anomalías espectrales sobre 3.172 celdas PlanetScope, de las cuales 1.374 contaban con etiqueta de referencia. El método BFAST-monitor-lite presentó el mejor desempeño agregado, con PR-AUC de 0,866. No obstante, su comportamiento fue dependiente de la parcela: PR-AUC de 0,979 en una parcela frente a 0,472 en otra.
Finalmente, modelos supervisados de pronóstico evaluados mediante partición aleatoria alcanzaron PR-AUC entre 0,94 y 0,98, mientras que bajo validación leave-parcel-out descendieron a 0,30–0,36, generando una brecha de optimismo de 0,57–0,67.
Los resultados muestran que la principal limitación actual no es la complejidad del algoritmo, sino la reducida cantidad de parcelas biológicamente independientes. Se concluye que la validación espacial agrupada debe formar parte del diseño de sistemas de inteligencia artificial destinados al monitoreo de enfermedades vegetales, evitando interpretar el buen desempeño intraparcela como evidencia de capacidad de generalización.