Las posibilidades que ofrece la recopilación de datos masivos o big data en la agricultura son enormes. Usada de forma efectiva, esta información tiene capacidad para incrementar la productividad y rentabilidad también en el sector primario.
No obstante, no solo conviene tener en cuenta la eficiencia. Factores como el crecimiento de la población mundial, el cambio climático o la degradación de las tierras de cultivo obligan a buscar nuevas soluciones para asegurar y aumentar la cantidad de alimento disponible.
4 ejemplos de cómo explotar los datos en la agricultura
Numerosos estudios y artículos señalan que el advenimiento de la tecnología en la agricultura va a implicar una auténtica revolución en la que la explotación de los datos será clave. Es decir, la utilización de ingentes cantidades de información recopilada a partir de diferentes fuentes y que tiene que ser procesada a gran velocidad mediante tecnología y métodos analíticos específicos que la transforman en datos valiosos (Cambra Baseca, Sendra, Lloret & Tomas, 2019).
Se trata de un área en la que ENVIRA demuestra su conocimiento ofreciendo no solo soluciones inteligentes de monitorización de los cultivos, sino también herramientas de análisis de datos que posibilitan la toma de decisiones en base a información real y fiable.
Pero, ¿qué ámbitos de la agricultura van a beneficiarse en mayor medida?
Predicción del rendimiento de los cultivos
El uso de modelos matemáticos para extraer valor del big data en la agricultura permite, por ejemplo, saber qué plantar, dónde y cuándo, así como analizar el crecimiento de los cultivos para poder efectuar su recolección o recogida en el momento más propicio.
El aprovechamiento de grandes volúmenes de datos con este fin se ha probado en cultivos tales como:
➢ plantaciones de café, con el desarrollo de sistemas de análisis de imágenes capaces de identificar qué frutos son aptos para la cosecha, estimando también el peso y porcentaje de maduración de los granos de café (Ramos, Prieto, Montoya & Oliveros, 2017).
➢ explotaciones de cerezos, donde el análisis del big data y la aplicación de técnicas de machine learning permiten identificar las ramas, facilitando de esta forma la recogida automatizada (Amatya, Karkee, Gongal, Zhang & Whiting, 2016).
➢ cultivos de trigo, combinando imágenes de satélites con datos obtenidos mediante sensores, similares a los que ofrece ENVIRA, encargados de medir el pH o la humedad, entre otros parámetros, para obtener modelos de propiedades del cultivo y rendimiento (Pantazi, Moshou, Alexandridis, Whetton & Mouazen, 2016).
Protección de cultivos
Los cultivos son diezmados por enfermedades, malas hierbas y otras plagas. Solo los insectos, por ejemplo, ocasionan la pérdida del 5-20 % de los cultivos, estimándose que este porcentaje aumentará a consecuencia del calentamiento global (Deutsch et al., 2018).
Ip, Ang, Seng, Broster & Pratley (2018) destacan que el big data, junto con el aprendizaje automático o machine learning, puede ser explotado para:
➢ Predecir y modelizar la resistencia a los herbicidas.
➢ Detectar y gestionar especies invasoras y malezas.
➢ Apoyar el proceso de toma de decisiones sobre las medidas más indicadas para proteger los cultivos.
➢ Supervisar robots y sistemas autónomos de control de malas hierbas.
En el caso de la detección de enfermedades y plagas, los datos permiten el desarrollo de sistemas de alerta temprana que superan en eficiencia a los actuales métodos de monitorización que requieren, entre otros aspectos, un conocimiento de análisis avanzado.
En este sentido, conviene señalar los esperanzadores resultados obtenidos por algunas iniciativas pioneras. El experimento llevado a cabo por Zhang, Cai, Xiao, Ye & Chehelamirani (2018), por ejemplo, ha alcanzado valores de predicción superiores al 95 % combinando información procedente de imágenes, condiciones del suelo, meteorología, clima y otras variables ambientales.
Gestión de riesgos meteorológicos
Cada vez existe un mayor consenso científico en relación con el papel que el cambio climático está jugando en la intensificación y gravedad de los eventos meteorológicos extremos (1), un aspecto que genera incertidumbre en el sector agrícola.
De ahí el interés de diversos equipos de investigación y empresas como IBM e Intel en aprovechar las potencialidades del big data para predecir la llegada de tormentas severas que podrían poner en riesgo cultivos u otros bienes e, incluso, vidas humanas.
En este sentido, destacan algunas iniciativas como la liderada por la Universidad Estatal de Pensilvania en colaboración con AccuWeather. Este equipo ha logrado la detección automática de los ecos en arco asociados a vientos fuertes, granizo, tormentas eléctricas y tornados que actualmente se identifican de forma manual en las imágenes de radar. Este avance permite ganar tiempo para proteger invernaderos o cultivos sensibles (2).
Mejora de la cadena de suministro
El análisis big data en la agricultura también reporta beneficios cuando se aplica sobre la cadena de suministro. Las personas que trabajan en esta cadena, que incluye además de al propio agricultor o agricultora, a empresas de distribución, empaquetadoras o comercios minoristas y mayoristas, deben ser capaces de responder a las demandas y expectativas del mercado con antelación.
La analítica avanzada, tal y como señala McKinsey&Company aportará a la cadena de suministro una mayor transparencia que posibilitará
➢ aumentar la precisión de las previsiones de los cultivos, e
➢ integrar la planificación en toda la cadena de valor para reducir los tiempos de respuesta, los riesgos, etc.
aspectos ambos que redundarán en un mayor control sobre el precio de los productos y el volumen de producción.
La agricultura, en resumen, está llamada a protagonizar una de las grandes revoluciones de la actual época de la mano del big data y la analítica de datos. El objetivo no es otro que aumentar la productividad de forma sostenible, teniendo en cuenta el cambio climático y unas superficies de cultivo cada vez más reducidas. De su logro dependerá el futuro de las casi 10.000 millones de bocas que habrá que alimentar en 2050.
Referencias:
– (1) EFEverde (2018). Los meteorólogos avalan el estrecho nexo entre cambio climático y fenómenos extremos. https://www.efeverde.com/noticias/cop24-meteorologos-cambio-climatico-fenomenos-extremos/
– (2) Penn State. «New research leverages big data to predict severe weather.» ScienceDaily. ScienceDaily, 21 June 2017. www.sciencedaily.com/releases/2017/06/170621145133.htm
– (3) McKinsey & Company. (2016). How big data will revolutionize the global food chain. https://www.mckinsey.com/business-functions/digital-mckinsey/our-insights/how-big-data-will-revolutionize-the-global-food-chain
– Amatya, S., Karkee, M., Gongal, A., Zhang, Q., & Whiting, M. (2016). Detection of cherry tree branches with full foliage in planar architecture for automated sweet-cherry harvesting. Biosystems Engineering, 146, 3-15. doi:http://doi.org/f8td7c
– Cambra Baseca, C., Sendra, S., Lloret, J., & Tomas, J. (2019). A smart decision system for digital farming. Agronomy, 9(5), 216. doi:http://doi.org/c5jc
– Deutsch, C. A., Tewksbury, J. J., Tigchelaar, M., Battisti, D. S., Merrill, S. C., Huey, R. B., & Naylor, R. L. (2018). Increase in crop losses to insect pests in a warming climate. Science, 361(6405), 916-919. doi:http://doi.org/gd77cf
– Ip, R., Ang, L., Seng, K., Broster, J., & Pratley, J. (2018). Big data and machine learning for crop protection. Computers And Electronics In Agriculture, 151, 376-383. doi: http://doi.org/gd2jrb
– Pantazi, X., Moshou, D., Alexandridis, T., Whetton, R., & Mouazen, A. (2016). Wheat yield prediction using machine learning and advanced sensing techniques. Computers And Electronics In Agriculture, 121, 57-65. doi: 10.1016/j.compag.2015.11.018
– Ramos, P., Prieto, F., Montoya, E., & Oliveros, C. (2017). Automatic fruit count on coffee branches using computer vision. Computers And Electronics In Agriculture, 137, 9-22. doi:http://doi.org/f9828w
– Zhang, C., Cai, J., Xiao, D., Ye, Y., & Chehelamirani, M. (2018). Research on vegetable pest warning system based on multidimensional big data. Insects, 9(2), 66. doi:http://doi.org/c5jd
