21/9/18 16:26

La agricultura que se avecina es cada vez más inteligente

La agricultura inteligente es clave para enfrentar desafíos vinculados a la productividad, impacto ambiental, seguridad alimentaria y sostenibilidad.

Por: Permingeat, H.

 

Según Wikipedia, la agricultura de precisión es un término agronómico que define la gestión de parcelas agrícolas sobre la base de la observación, la medida y la actuación frente a la variabilidad inter e intra-cultivo. Requiere un conjunto de tecnologías que integran el Sistema Global de Navegación por Satélite (SGNS), sensores e imágenes tanto satelitales como aerotransportadas, junto con Sistemas de Información Geográfica (SIG) para estimar, evaluar y entender dichas variaciones. La información recolectada puede utilizarse para evaluar con mayor precisión la densidad óptima de siembra, estimar la cantidad adecuada de fertilizantes u otros insumos necesarios, y predecir con más exactitud el rendimiento y la producción de los cultivos.

Las biotecnologías y tecnologías digitales amplían el concepto para llegar a la "agricultura inteligente". Así, es posible mejorar las tareas de gestión y toma de decisiones por contexto, situación y conciencia de ubicación. La agricultura inteligente es importante para enfrentar los desafíos de la producción agrícola en términos de productividad, impacto ambiental, seguridad alimentaria y sostenibilidad. La agricultura sostenible es muy relevante y está directamente relacionada con la agricultura inteligente ya que mejora la calidad ambiental y la base de recursos de la que depende la agricultura, al proporcionar las necesidades básicas de alimentos humanos. Se puede entender como un enfoque de la agricultura basado en el ecosistema, que integra las ciencias biológicas, químicas, físicas, ecológicas, económicas y sociales de una manera integral, con el fin de desarrollar prácticas seguras de agricultura inteligente que no degraden el ambiente.

Kamilaris y col. (2017), en un artículo de revisión, enfocan la importancia del big data agrícola como una nueva generación de prácticas disenadas para que los agricultores y las organizaciones relacionadas puedan extraer valor económico de grandes volúmenes de datos, al permitir su captura, descubrimiento y análisis en alta velocidad.

Entre las áreas de potencial aplicación del big data para abordar problemas de la agricultura, los autores destacan:

• Las plataformas que permiten a los actores de la cadena tener acceso a productos y procesos de alta calidad, permitiendo que los cultivos se integren a la cadena de suministro internacional de acuerdo con las necesidades globales.
• El desarrollo de herramientas para un mejor rendimiento y mejores predicciones de la demanda.
• El asesoramiento y orientación a los agricultores sobre un manejo más apropiado del uso de fertilizantes, herbicidas y fitosanitarios.
• La mejora en la trazabilidad de los productos a través de la cadena de suministro, lo que aumenta la seguridad de los alimentos, minimiza las pérdidas y maximiza la calidad.
• La teledetección para el mapeo de tierras o cultivos a gran escala para monitorear los impactos de varios países y áreas con respecto a la medición y logro de sus objetivos de productividad y sostenibilidad ambiental.
• Modelos científicos más avanzados y completos, y simulaciones de fenómenos ambientales que podrían proporcionar una base para establecer plataformas para los responsables de formular políticas y así ayudar a la sostenibilidad de los ecosistemas físicos.
• Los métodos de selección de alto rendimiento que pueden ofrecer un análisis cuantitativo y muy preciso de la interacción entre las plantas y su entorno.
• Los robots agrícolas que operan de forma autónoma podrían revolucionar la agricultura y su productividad, ya que pueden identificar y eliminar malezas automáticamente, reconocer y combatir plagas, cosechar cultivos, etc.

La colecta de datos en un sistema de agricultura inteligente es un aspecto clave. Wachowiak y col. (2017) sugieren una interacción proactiva mediante herramientas que permitan presentar los datos que necesitan los productores para tomar mejores decisiones y para mejorar la investigación participativa basada en la comunidad, en este caso en el noreste de Ontario, Canadá. El servicio web permite un flujo bidireccional de información entre investigadores y productores. Los productores habilitan a los investigadores para que monitoreen sus campos y los investigadores entregan los datos a los productores. Los productores también pueden aportar sus propios datos, como mapas de rendimiento e imágenes etiquetadas de ubicación. Para posibles mejoras, los enfoques de inteligencia artificial, como los mapas autoorganizados, pueden usarse para producir visualizaciones de correlaciones e interdependencias de los datos en múltiples ubicaciones, anos o campos. De esta manera, se puede complementar el enfoque de correlación cruzada de ventanas. La interfase web denominada GeoVisage (http://geovisage.nipissingu.ca) resulta una herramienta muy valiosa de los modernos sistemas de producción.

Los datos recolectados son utilizados en modelos que luego son desafiados en un contexto particular. Jin y col. (2018) presentan nuevos modelos de cultivos desarrollados y analizan el progreso de los algoritmos de asimilación de datos desde 2007. El artículo analiza los impactos de diferentes fuentes de error en la cadena de asimilación de datos y evalúa cómo reducirlos, incluyendo modelos de cultivo, datos de teledetección (problema direccional, efecto de escala, estrategia y método de recuperación, y vinculación del modelo de teledetección y modelo de cultivo), métodos de asimilación de datos y datos de observación. También analizan los nuevos datos de teledetección disponibles y cómo se pueden usar en los modelos de cultivos para mejorar la precisión de la estimación de las variables de estado del canopeo de los cultivos y el rendimiento. Es muy importante estimar de forma oportuna y precisa el estado de crecimiento del cultivo y el rendimiento antes de la cosecha para permitir la toma de decisiones sobre la gestión del campo de cultivo. Los autores lo definen como un enlace directo a la política alimentaria nacional y a las evaluaciones de seguridad. La asimilación de datos de los modelos de cultivo y los datos de teledetección proporcionan los métodos más prometedores para estimar el estado de crecimiento del cultivo y el rendimiento a escalas regionales.

Un buen ejemplo de aplicación de la agricultura inteligente lo constituye el artículo de dos Santos Ferreira y col. (2017), en el que describen un software desarrollado en Brasil para detectar malezas en campos de soja que discrimina entre gramíneas y especies de hoja ancha. Las imágenes son capturadas por vehículos aéreos no tripulados (drones) y los datos son transmitidos a una red particular (ConvNets). Según los autores, la precisión es superior al 98% en la clasificación de todas las clases de malezas. Así, en el conjunto de 15 mil imágenes, se obtuvo una precisión promedio de 99.5% entre todas las imágenes analizadas. Los algoritmos comparados también obtuvieron buenos resultados de clasificación, pero las redes neuronales tienen la ventaja de que sus resultados no dependen de la elección de buenos extractores de características.

El uso de ConvNets cuenta con los beneficios recientes del rápido aumento de la potencia de procesamiento y la memoria, que permiten el procesamiento de grandes conjuntos de imágenes en un tiempo viable. Esta capacidad puede complementarse con un tratamiento focalizado de la maleza, lo que daría lugar a un manejo estratégico de malezas, una promesa que va camino a cumplirse en el mediano plazo.

La agricultura inteligente empleará la información, los modelos y los desarrollos tecnológicos para una producción más eficiente, siempre en el marco de la sustentabilidad que la sociedad demanda.

 

Referencias:

Kamilaris, A.; Kartakoullis, A.; Prenafeta-Boldú, F.X. (2017). A review on the practice of big data analysis in agriculture. Computers and Electronics in Agriculture, 143: 23–37 .

Wachowiak, M.P.; Walters, D.F.; Kovacs, J.M.; Wachowiak-Smolíková, R.; James, A.J. (2017). Visual analytics and remote sensing imagery to support community-based research for precision agriculture in emerging areas. Computers and Electronics in Agriculture, 143: 149–164.

dos Santos Ferreira, A.; Matte Freitas, D.; Goncalves da Silva, G.; Pistori, H.; Folhes, M.T. (2017). Weed detection in soybean crops using ConvNets. Computers and Electronics in Agriculture, 143: 314–324.

Jin, X.; Kumar, L.; Li, Z.; Feng, H.; Xu, X.; Yang, G.; Wang, J. (2018). A review of data assimilation of remote sensing and crop models. European Journal of Agronomy, 92: 141–152.