La detecció de granges lleteres a partir d'imatges satel·litals representa un repte tècnic que combina anàlisi espaciotemporal, aprenentatge automàtic i dades geogràfiques obertes. A diferència d'altres cultius o infraestructures, les explotacions lleteres no sempre presenten una empremta visual clara: la seva evidència es distribueix entre pasturatges estacionals, límits de camps, carreteres, edificacions i patrons de vegetació que varien al llarg de l'any. A més, els conjunts de dades etiquetats de granges solen ser incomplets o inexactes, cosa que dificulta l'ús d'enfocaments supervisats tradicionals. En aquest context, un enfocament dèbilment supervisat —que combina representacions apreses sense etiquetes amb prioritats geogràfiques febles— permet reduir enormes col·leccions d'imatges satel·litals en conjunts compactes de candidats llestos per a revisió humana.
Recentment, un estudi sobre el comtat de Cork, Irlanda, va demostrar com alinear imatges de primavera, estiu i tardor del satèl·lit Sentinel, juntament amb índexs espectrals, de vegetació i d'àrea construïda, permet generar incrustacions (embeddings) multiestacionals mitjançant una arquitectura Barlow Twins. Aquest codificador aprèn representacions invariants a transformacions sense necessitat d'etiquetes de granja. En paral·lel, s'utilitzen prioritats febles d'OpenStreetMap (OSM) per construir una puntuació basada en regles que combina proximitat a granges conegudes, evidència estacional de pasturatge i verdor estival. Aquesta puntuació es suavitza sobre un graf de representació espacial que integra proximitat geogràfica i semblança d'embeddings, agrupant les tesel·les de major puntuació en clústers candidats ordenats.
Els resultats sobre 26.722 tesel·les vàlides van mostrar que, amb només 535 tesel·les d'alta confiança agrupades en 71 clústers, els cinc primers van assolir una precisió del 60% en un radi de 500 metres i del 80% en 1.000 metres respecte a les granges OSM reservades per a avaluació. Aquesta metodologia demostra que l'aprenentatge de representacions estacionals juntament amb prioritats geogràfiques febles pot convertir-se en una eina operativa per a la detecció de granges en grans regions, reduint dràsticament l'esforç d'inspecció manual i accelerant la presa de decisions al sector agropecuari.
A Q2BSTUDIO entenem que aquest tipus de projectes requereix combinar capacitats avançades d'intel·ligència artificial, gestió de grans volums de dades geoespacials i una arquitectura cloud robusta. Per això oferim desenvolupament d'aplicacions a mida que integren models d'IA com els codificadors Barlow Twins, adaptats a les necessitats específiques de cada client. La nostra experiència en cloud computing amb serveis cloud Azure i AWS permet desplegar pipelines de processament satel·lital escalables, segurs i rendibles. A més, la ciberseguretat és un pilar fonamental en la protecció de dades agrícoles sensibles, des d'imatges fins a coordenades d'explotacions, per la qual cosa integrem pràctiques de ciberseguretat en cada fase del desenvolupament.
La detecció dèbilment supervisada de granges lleteres des de satèl·lit és un exemple clar de com la intel·ligència artificial pot transformar l'agricultura de precisió. En combinar aprenentatge auto-supervisat, dades obertes i regles de domini, s'aconsegueix un equilibri entre precisió i cost operatiu. A Q2BSTUDIO treballem amb solucions de Business Intelligence (BI) i Power BI per visualitzar els clústers candidats i les seves mètriques, facilitant la presa de decisions a equips de camp. També explorem l'ús d'agents IA que, basats en models de llenguatge i raonament, poden automatitzar part del procés de revisió de candidats, prioritzant aquells amb major probabilitat de ser granges actives.
El futur de la detecció de granges passa per sistemes que aprenguin de forma contínua amb cada nova imatge satel·lital i retroalimentació humana. Els pipelines dèbilment supervisats, com el descrit, són la porta d'entrada a un ecosistema on la tecnologia cloud, la IA i el programari a mida es combinen per oferir eines pràctiques i escalables. Des de Q2BSTUDIO ajudem a organitzacions agropecuàries, governs i empreses de tecnologia a implementar aquestes capacitats, garantint que la innovació arribi al terreny de forma eficient i segura.
