L'agricultura moderna s'enfronta a un repte crític: la manca de mapes de camps agrícoles actualitzats, complets i d'accés obert. Aquests mapes són la base per al monitoratge de cultius, la comptabilitat de producció i l'anàlisi de canvis en l'ús del sòl. No obstant això, sovint són propietaris, incomplets o simplement obsolets. En aquest context, la intel·ligència artificial (IA) emergeix com una eina transformadora, capaç d'extreure informació valuosa a partir d'imatges satel·litals i aèries. Aquest articleexplora en profunditat l'ús combinat de dues arquitectures d'aprenentatge profund —ResUNet i SAM (Segment Anything Model)— per mapar l'extensió i els límits visibles de terres agrícoles, utilitzant imatges RGB d'1 metre del Programa Nacional d'Imatges Aèries (NAIP). Més enllà de l'enfocament tècnic, s'analitza com empreses com Q2BSTUDIO poden integrar aquestes capacitats en solucions empresarials a mida, abastant des del desenvolupament de programari fins a la ciberseguretat i l'anàlisi de dades al núvol.
El problema dels mapes caducats és especialment greu en regions de cultiu intensiu, interfícies periurbanes, zones de regadiu semiàrides i mosaics fragmentats. Els mètodes tradicionals de cartografia requereixen treball de camp costós i temps de processament que no s'alinea amb les necessitats de l'agricultura de precisió. Aquí és on la combinació de xarxes neuronals convolucionals (CNN) i models fundacionals com SAM ofereix una alternativa eficient i escalable. L'estudi de referència va analitzar 37 escenes NAIP, anotades manualment a CVAT, generant 5.698 parxes de 256x256 píxels. Amb una divisió de 3.850 parxes d'entrenament, 770 de validació i 1.078 de prova, es va entrenar un ResUNet amb una funció de pèrdua dominada per Dice —L = 2.5(1 - Dice) + BCE—, assolint una precisió del 87,66%, un IoU de 0,8605, un Dice de 0,9234 i un recall del 97,94%. Aquests resultats demostren la solidesa de la segmentació semàntica per distingir terres agrícoles d'altres usos.
No obstant això, els límits entre parcel·les —especialment en cultius lineals com fileres d'arbres o en parcel·les molt fragmentades— continuen sent un repte. Per millorar-los, es va integrar un model SAM preentrenat (branca 3) amb una sol·licitud textual: 'agricultural farmland field'. La fusió es va realitzar mitjançant un OR lògic entre la màscara de ResUNet i la de SAM. En parxes difícils, el Dice va millorar de 0,858 a 0,955 en fileres d'horts i de 0,804 a 0,903 en parcel·les fragmentades. Aquest enfocament híbrid permet combinar la precisió local de ResUNet amb la comprensió global del context que proporciona SAM, donant com a resultat mapes d'extensió agrícola semàntics, no cadastrals, però suficients per al monitoratge regional.
Des d'una perspectiva empresarial, l'adopció d'aquestes tècniques requereix alguna cosa més que models d'IA: exigeix una infraestructura robusta i personalitzada. Q2BSTUDIO, com a empresa de desenvolupament de programari i tecnologia, ofereix aplicacions a mida que integren pipelines de visió per computador, des de la ingesta d'imatges fins a la publicació de mapes en dashboards interactius. El núvol juga un paper fonamental: els serveis de cloud AWS/Azure permeten processar terabytes de dades NAIP de manera paral·lela, mentre que la ciberseguretat garanteix que les dades agrícoles sensibles —com la producció estimada o la ubicació de cultius d'alt valor— estiguin protegides contra accessos no autoritzats. A més, la integració amb Business Intelligence (Power BI) possibilita la visualització de tendències temporals i la presa de decisions basada en dades.
La intel·ligència artificial no només segmenta imatges; també pot actuar com un agent autònom. Els agents IA, desenvolupats per Q2BSTUDIO, són capaços de programar noves adquisicions d'imatges, ajustar models en funció de noves anotacions i generar alertes quan es detecten canvis en els límits dels camps. Per exemple, un sistema de monitoratge podria combinar el mapa d'extensió agrícola generat per ResUNet+SAM amb dades meteorològiques i d'humitat del sòl per recomanar reg o fertilització. Tot això es construeix sobre una base de programari a mida, adaptat a les necessitats específiques de cada client, ja sigui una cooperativa agrícola, una agència governamental o una empresa agroindustrial.
L'ús del stitching per finestra lliscant, esmentat a l'estudi, és un exemple de com es poden generar màscares regionals coherents. En una tesela d'exemple, el Dice va assolir 0,898 i 0,919, demostrant que la tècnica és viable per cobrir àrees extenses sense perdre continuïtat. Això és crucial per a aplicacions com l'estimació de superfícies cultivades, la detecció primerenca de desforestació o la planificació d'infraestructures agrícoles. No obstant això, el producte final és un mapa semàntic d'extensió de terres agrícoles, no un mapa cadastral de parcel·les. Per a aplicacions que requereixen límits legals o drets de propietat, caldria un postprocessament addicional amb algorismes de vectorització i ajust a ortofotos de major resolució.
L'escalabilitat de l'enfocament és un altre punt fort. En tractar-se d'un pipeline reproduïble —des de l'anotació a CVAT fins a la inferència amb models preentrenats—, qualsevol organització pot adaptar-lo a la seva regió d'interès. Q2BSTUDIO ofereix serveis de consultoria i desenvolupament per implementar aquests workflows en entorns productius, assegurant que el model es mantingui actualitzat amb els canvis estacionals i les noves imatges disponibles. La combinació d'IA, cloud i BI crea un ecosistema digital que empodera els agricultors i gestors del territori.
En resum, la fusió de ResUNet i SAM per al mapatge de terres agrícoles representa un avenç significatiu en el monitoratge remot, especialment on els mapes oficials són deficients. La tecnologia està madura, però el seu desplegament exitós depèn d'una integració acurada amb sistemes empresarials. Q2BSTUDIO es posiciona com un soci tecnològic capaç de convertir aquests models en solucions d'IA operatives, oferint des del desenvolupament d'aplicacions a mida fins a la gestió de la infraestructura cloud, la ciberseguretat i l'anàlisi de dades. El futur de l'agricultura passa per la digitalització, i la intel·ligència artificial és la clau per obrir mapes que abans eren invisibles.
