No le pedimos a un LLM que adivine una plaga: modelamos señales biológicas reales que ya hoy anticipan el comportamiento de Dalbulus maidis. El vector responde al clima, a la memoria poblacional de la zona, a la cercanía con focos previos y al momento fenológico del cultivo. Nuestra propuesta junta esas señales en un score de riesgo interpretable, antes de que el daño sea visible.
Qué problema modelamos
Hoy modelamos dos decisiones concretas. La primera es el riesgo estacional pre-campaña: estimar si una localidad va a terminar una temporada con un brote relevante. La segunda es el riesgo quincenal: estimar si la próxima lectura de monitoreo puede transformarse en outbreak en los siguientes 14 días. Eso vuelve la herramienta útil tanto para decidir siembra, híbrido y protección como para priorizar monitoreo durante la campaña.
Qué modelos usamos
El modelo pre-campaña trabaja con 28 variables y 913 combinaciones localidad-temporada válidas en seis regiones. El modelo quincenal trabaja con 44 variables y 14.347 lecturas válidas, resumidas en 521 localidades monitoreadas. El núcleo validado usa XGBoost.
También experimentamos con MLP tabular, XGBoost + estadísticas NDVI y un híbrido CNN(NDVI)+tabular.
Contamos con una arquitectura multiagente que fusiona satélite, clima, visión artificial y epidemiología con pesos fijos; al final entra un LLM para explicar y recomendar, no para calcular el riesgo.
Modelos poblacionales
Contamos con proxies poblacionales estadísticos: capturas actuales y acumuladas, tendencia de capturas, brotes vecinos a 50/100/200 km, presión de propagación, distancia a la zona endémica y memoria de la temporada anterior. En otras palabras: no simulamos cada insecto, sino que aprendemos de la dinámica real observada en la red de trampas.
De dónde salen los datos
La base principal sale de 38 reportes de la Red Nacional de Monitoreo de INTA. A eso se le suman clima histórico vía Open-Meteo, el índice ENSO/ONI vía NOAA, geocodificación vía Nominatim y una vía adicional de scraping de Power BI del INTA para capturas por localidad. Como extensión satelital, también se utilizan parches NDVI de Sentinel-2/Copernicus. Cruzamos monitoreo real, clima regional, geografía y, en la versión extendida, satélite e imágenes de campo.
El feature engineering captura la biología del problema
El modelo pre-campaña construye variables que tienen sentido agronómico: heladas, heladas severas, temperatura mínima absoluta, días templados de invierno, grados-día, humedad, precipitación, viento norte, distancia a la zona endémica, cercanía a brotes previos y capturas de la temporada anterior. El modelo quincenal agrega estado local y propagación: capturas actuales, máximos acumulados, ratio de detecciones, presión vecinal, clima del período y estacionalidad. La lógica detrás es simple: la chicharrita no aparece al azar; sobrevive mejor a inviernos benignos, se mueve regionalmente, se acelera con ciertas condiciones climáticas y pega distinto según el estado del cultivo.
Es interpretable
Cada score servido por la app viene acompañado por SHAP. Eso permite mostrar no solo el número final, sino qué variables empujan el riesgo hacia arriba o hacia abajo. En el modelo estacional, la variable que más veces aparece como driver principal es la distancia a la zona endémica, junto con precipitación de primavera, latitud y variables de viento y temperatura. En el modelo quincenal, el factor dominante suele ser la captura actual, seguido por la presión vecinal. Esta interpretabilidad es una ventaja fuerte: el sistema puede justificar la alerta con evidencia legible para un agrónomo o productor.
Respaldo científico
El paper de referencia de Istchuk et al. (2025) no valida todo nuestro producto, pero sí valida la dirección causal correcta: clima, calendario y contexto del cultivo ayudan a anticipar la dinámica de Dalbulus maidis y la infección por mollicutes. Ese trabajo entrenó redes neuronales sobre cuatro áreas de Brasil entre 2019 y 2023 y reportó R² de 0.71 para abundancia y acuerdos de clasificación de 0.81 para infección. Nuestro enfoque se apoya en la misma intuición biológica, pero la lleva a una herramienta más interpretable y operativa para Argentina, con mayor cobertura territorial y explicaciones por SHAP.
Lo que viene
La chicharrita fue el punto de entrada. La visión es una plataforma de riesgo fitosanitario para toda Latinoamérica.
Consolidación Argentina + nuevas plagas en maíz
Cobertura completa de las seis regiones maiceras con ambos modelos en producción. Incorporamos el segundo vector: cogollero (Spodoptera frugiperda), la otra gran amenaza del maíz argentino. El pipeline ya está diseñado para recibir nuevas plagas sin reescribir la arquitectura — mismo framework de features climáticas, poblacionales y satelitales, distinto target.
Soja y trigo: roya, mancha en red, chicharrita de los cereales
Expandimos a los otros dos cultivos que definen la campaña pampeana. Roya asiática de la soja (Phakopsora pachyrhizi) y mancha en red de la cebada/trigo (Drechslera teres) ya tienen redes de monitoreo públicas con datos suficientes para entrenar. La chicharrita de los cereales (Delphacodes kuscheli) completa el set para protección integrada de lotes mixtos.
Brasil: el mercado más grande del continente
Brasil produce 130M de toneladas de maíz al año y enfrenta el mismo vector con aún más presión. El trabajo de Istchuk et al. en Paraná, Mato Grosso do Sul, São Paulo y Minas Gerais ya validó que las mismas señales climáticas funcionan en su territorio. Adaptamos features a la estructura de datos de EMBRAPA y Conab, recalibramos umbrales, y desplegamos con soporte bilingüe.
Paraguay, Uruguay y Bolivia
Los tres países comparten cinturón productivo, clima y en muchos casos las mismas plagas con Argentina y Brasil. Paraguay ya es el sexto exportador mundial de soja. Uruguay tiene una agricultura de precisión cada vez más sofisticada. Bolivia expande su frontera agrícola en Santa Cruz. El modelo regional no necesita reinventarse: necesita calibrarse con datos locales y sumar fuentes de monitoreo de cada país.
Plataforma multi-cultivo, multi-plaga, multi-país
El objetivo final es que cualquier combinación cultivo-plaga-región pueda integrarse al sistema con el mismo framework: features climáticos y poblacionales, modelos interpretables, SHAP para explicar, y un agente que traduzca el score en una recomendación concreta. Café con roya en Colombia, caña con taladro en Tucumán, vid con lobesia en Mendoza. La arquitectura ya está pensada para escalar — lo que cambia son los datos de entrada, no el motor.
Por qué esto importa
La propuesta funciona porque traduce señales dispersas en una decisión concreta. No reemplaza al monitoreo humano: lo prioriza, lo acelera y lo hace más focalizado. En vez de llegar tarde a un PDF quincenal, el productor puede ver dónde el riesgo ya se está acumulando y por qué.