El mapeo de cultivos con IA sumó un método abierto y barato. Un equipo de la Universidad de Cambridge usó Tessera. Es un modelo de código abierto entrenado con imágenes satelitales. Con él identificó qué se cultiva en la cuenca del maní de Senegal. El sistema acertó el 84 % de las veces en las pruebas. En un escenario, superó en 28 % al siguiente mejor modelo.
De acuerdo con el estudio publicado en Environmental Research: Food Systems, la investigación salió el 29 de septiembre. Tessera usó una fracción de los recursos de cómputo y de los datos etiquetados. El trabajo compara el modelo con dos métodos satelitales de uso común. También lo mide frente a AlphaEarth, de Google DeepMind, cuyo modelo interno no es público.
Cómo funciona el mapeo de cultivos con IA
Tessera mira un año entero de imágenes satelitales. Con ellas comprime cada punto de 10 metros de terreno en una cadena de números. Esa cadena recibe el nombre de embedding. El embedding guarda cómo cambia el suelo y lo que crece sobre él con el tiempo. Un algoritmo simple, con unos pocos datos de calibración, convierte ese resumen en un mapa de cultivos a gran escala.
La ventaja está en lo que no hace falta. El método evita reentrenar un modelo pesado para cada zona. También reduce cerca del 78 % el cómputo frente a un análisis de series temporales. Con pocas etiquetas de campo alcanza una precisión alta. El estudio mapeó la región en 2018, 2019 y 2021. Evaluó precisión, confiabilidad, reutilización y costo. Tessera ganó en todos los años.
De la agricultura industrial a los pequeños productores
La cuenca del maní es una de las regiones agrícolas más importantes de Senegal. Allí crecen el maní y el mijo, junto con la ganadería. La agricultura depende de la lluvia y queda expuesta a los vaivenes del clima. Por otra parte, la región enfrenta una paradoja: cerca del 80 % de la población padece inseguridad alimentaria y nutricional. Saber qué se cultiva y dónde permite planificar mejor la ayuda y la producción.
Hoy esa información es cara y lenta de reunir. Los gobiernos y los organismos de seguridad alimentaria recogen datos en el terreno cada pocos años. El resto del tiempo estiman con análisis satelitales costosos. «Con Tessera puedes entrenar con los datos que ya tienes y extenderlos a los años intermedios», dijo la autora principal, Madeline Lisaius. El contexto añade urgencia: este año, El Niño fue el más fuerte registrado.
El Programa Mundial de Alimentos de la ONU explora el uso en Senegal. «Los datos agrícolas confiables son esenciales para anticipar los riesgos alimentarios y climáticos», dijo Pierre Lucas, representante del organismo en el país. La meta es que gobiernos y organizaciones produzcan sus propias estadísticas. Lisaius subraya un punto aparte: la accesibilidad pesa más que la perfección. «Es un paso hacia una mayor democratización de los datos geoespaciales», dijo.
El método también promete fuera de Senegal. Los autores lo probaron antes en Austria, donde mostró que puede dibujar parcelas pequeñas. Ahora apuntan a sistemas de pequeños productores en distintos continentes. La clave es que el modelo ya viene entrenado con imágenes globales. Quien lo usa solo aporta unos pocos puntos de referencia locales.
El estudio reconoce límites. La precisión cayó entre 2018 y 2021, algo que los autores atribuyen a la calidad de los datos de campo. Tampoco evaluó cultivos secundarios en parcelas con más de una especie. Eso podría cambiar los resultados en los lugares más diversos. Aun así, el enfoque promete para otros sistemas de pequeños productores.
Fuentes consultadas: Environmental Research: Food Systems (29/09/2026); University of Cambridge (29/09/2026); EurekAlert (29/09/2026); phys.org (29/09/2026); Programa Mundial de Alimentos (2026).
