La inteligencia artificial permite detectar el riego agrícola desde el aire y mejora el monitoreo del uso del agua en el campo

Un equipo de investigación del INTA logró identificar de manera automática los sistemas de riego agrícola por pivote central a partir del análisis de imágenes satelitales de alta resolución y modelos avanzados de inteligencia artificial, un avance que redefine el monitoreo del uso del agua en el agro argentino. El desarrollo, presentado el 10 de febrero de 2026, se aplicó en el norte de la provincia de Buenos Aires y resulta relevante porque permite mejorar el registro, seguimiento y planificación de una tecnología que crece de forma sostenida en regiones agrícolas intensivas. La información fue difundida por Agrofy News, medio especializado en agroindustria.

La investigación combinó imágenes del satélite Sentinel-2 con técnicas de visión por computadora y aprendizaje automático, lo que permitió automatizar una tarea que hasta ahora requería un alto nivel de interpretación manual. El sistema fue entrenado para reconocer patrones circulares característicos de los equipos de riego por pivote central, incluso en paisajes complejos donde la cobertura vegetal es alta y los contrastes visuales son sutiles.

“Logramos automatizar una tarea que antes llevaba horas de trabajo y que ahora puede resolverse con un algoritmo capaz de identificar patrones circulares en escenarios muy desafiantes”, explicó Néstor Barrionuevo, investigador del Instituto de Clima y Agua del INTA, en declaraciones reproducidas por Agrofy News. El especialista destacó que, a diferencia de otros desarrollos pensados para zonas áridas, esta metodología fue adaptada para funcionar con eficiencia en ambientes agrícolas húmedos, como los de la pampa bonaerense.

El estudio mostró resultados concretos sobre la expansión del riego presurizado. En los partidos analizados, la cantidad de círculos de riego detectados pasó de 110 en 2016 a 285 en 2023, lo que refleja una adopción sostenida de esta tecnología. Desde el punto de vista técnico, el modelo alcanzó un F1-Score del 73,2 %, una métrica considerada sólida para un paisaje agrícola homogéneo y de alta cobertura vegetal.

El desarrollo se apoyó en el modelo Grounding DINO, una técnica que combina modelos de lenguaje previamente entrenados con visión por computadora. Esta integración permitió mejorar la capacidad del sistema para detectar los círculos de riego a partir de descriptores textuales y patrones visuales. Además, el análisis incorporó distintos índices espectrales, como NDVI, EVI2 y WRI, que ayudaron a resaltar las señales asociadas a los cultivos bajo riego.

Según detalló Sofía Havrylenko, especialista en teledetección aplicada del INTA, “el uso integrado de imágenes satelitales e inteligencia artificial permitió obtener una cartografía mucho más precisa y dinámica”. En ese sentido, agregó que esta combinación tecnológica “abre nuevas oportunidades para diseñar herramientas de monitoreo que los productores puedan utilizar de manera sencilla y con información actualizada”, de acuerdo con lo publicado por Agrofy News.

Uno de los aportes centrales del trabajo fue demostrar que el desempeño del modelo varía según el índice espectral utilizado y el territorio analizado, lo que habilita ajustes específicos para cada zona. En el partido de Salto, por ejemplo, el índice EVI2 mostró la mayor eficiencia en la detección, mientras que en Pergamino y Bartolomé Mitre los mejores resultados se obtuvieron con WRI. Esta flexibilidad metodológica resulta clave para escalar el sistema a otras regiones productivas del país.

El análisis temporal también permitió observar cómo evolucionó la incorporación de equipos de riego a lo largo de los años. En Rojas, las detecciones pasaron de 25 en 2016 a 102 en 2023, mientras que en Bartolomé Mitre el mayor crecimiento se registró entre 2022 y 2023, con la identificación de 26 equipos nuevos. Estos datos refuerzan la idea de una tendencia sostenida hacia la intensificación tecnológica en la gestión del agua.

Desde el INTA remarcaron que contar con información precisa sobre la localización y evolución de los sistemas de riego es clave para mejorar la planificación productiva, el ordenamiento territorial y la toma de decisiones públicas y privadas. “Tener datos confiables sobre dónde están los equipos y cómo crecen permite planificar mejor y reducir la incertidumbre”, señaló Barrionuevo, en el marco del programa AgTech del organismo.

La validación estadística del modelo también arrojó indicadores relevantes. El algoritmo alcanzó una exactitud del 98,31 % y una precisión del 98,39 %, valores considerados muy altos para una primera implementación en una región húmeda. Si bien los investigadores reconocen que aún hay margen para mejorar la sensibilidad del sistema, el desempeño general fue calificado como altamente satisfactorio.

De cara a los próximos pasos, el equipo trabaja en la profundización del enfoque de Deep Learning para avanzar hacia una detección más fina y la caracterización completa de cada equipo de riego, incluyendo dimensiones y estado de uso. “Estamos convencidos de que esta tecnología puede transformarse en un servicio operativo y accesible para quienes toman decisiones en el territorio”, afirmó Havrylenko.

El desarrollo confirma el potencial de la inteligencia artificial aplicada al agro como una herramienta estratégica para acompañar a productores, técnicos y gobiernos locales, en un contexto donde la eficiencia en el uso del agua y la información precisa se vuelven cada vez más determinantes para la sustentabilidad del sistema productivo.