🎙 Episodio 20. Machine Learning aplicado a la agricultura

En el episodio de hoy de Un Podcast Ninja sobre Big Data vamos a hablar de cómo el Machine Learning puede mejorar la agricultura.

Leía en un artículo de Forbes que el gasto en tecnología dentro de la agricultura está previsto que pase de los mil millones de dólares en 2020 a los 4000 millones en 2026.

Además según las Naciones Unidas, se estima que la población mundial crezca hasta los 9800 millones de personas en 2050 - ahora mismo somos unos 8000 millones - y para dar de comer a tanta gente va a ser necesario aumentar la producción de alimentos.

La agricultura es una de nuestras fuentes de alimentos y también es una de las industrias más antiguas del mundo. Desde que hace 12000 años nuestra especie decidiera dejar de cazar y recolectar para asentarse y cultivar los campos se ha hecho de la misma manera durante miles de años. 

No fue hasta los años 50 y 60 que se introdujo el uso de fertilizantes y pesticidas y también la de la maquinaria agrícola.

A parte de eso los agricultores han basado las decisiones sobre sus cultivos en la tradición, en su experiencia y también, porque no, en su intuición.

Pero teniendo en cuenta la cantidad de variables que pueden afectar una cosecha…

  • el clima
  • la luz solar que reciben los cultivos según la época del año
  • los patrones migratorios de los animales
  • los pájaros
  • los insectos
  • el uso de fertilizantes e insecticidas específicos para cada cultiv
  • los ciclos de las plantas
  • los ciclos de riego

pues podríamos pensar que es un campo perfecto para beneficiarse de soluciones de Machine Learning.

Y así es.

La cuarta revolución agrícola gira entorno a soluciones basadas en inteligencia artificial y a la agricultura de precisión.

¿Por qué de precisión?

Pues porque si antes un agricultor aplicaba pesticidas en todos sus cultivos cada dos semanas como medida preventiva, la agricultura de precisión permite aplicar esos pesticidas donde y cuando realmente son necesarios.

La recolección de datos permiten ejecutar análisis descriptivos del estado de los cultivos, recordad que hablábamos de este tipo de análisis en el episodio 6 del podcast, y pasar de decisiones basadas en la intuición a decisiones basadas en datos.

Esto lo que permite es un incremento en la eficiencia de la producción.

Desde la siembra hasta que el producto llega a nuestras casas hay un montón de etapas y de pasos en los que podemos perder parte del producto debido a  ineficiencias.

Hoy estamos hablando de Machine Learning en la agricultura así que nos vamos a centrar en la parte de producción.

Por ejemplo, podríamos perder parte de la cosecha debido a climatología extrema.

También se puede perder parte de la cosecha debido a insectos o a que no se recoge a tiempo y se estropea o incluso a plantar demasiado y después no tener los recursos para recolectar todo lo plantado a tiempo.

Hay tantas variables en la agricultura que pueden mandar todo el esfuerzo y el trabajo por el desagüe, que es casi como jugar a la ruleta rusa. Exagerando un poco.

Y algunas de estas variables se escapan al control humano ya que no podemos controlar la meteorología, por ejemplo, pero hay muchas otras decisiones que tiene que tomar un agricultor que pueden beneficiarse de  la información que pueden aportar los datos en lugar de estar basadas en lo que está haciendo el vecino, lo que solía hacer su abuelo o en la propia intuición.

Por ejemplo, cómo realizar la rotación de cultivos para no agotar los suelos, qué aditivos añadir al suelo y en qué cantidad o cómo realizar el riego.

En todas esas decisiones los datos pueden ayudar a los agricultores a aumentar la eficiencia de sus cultivos.

Y para ello, lo primero es conseguir estos datos.

Para ello en las aplicaciones agrícolas hay fundamentalmente dos fuentes de datos que pueden ser de utilidad.

  • Las imágenes obtenidas por drones que se dedican a sobrevolar los campos de cultivo o también incluso imágenes por satélite.
  • Y los datos de sensores que se colocan en los cultivos.

Las imágenes de los drones pueden ser de varios tipos dependiendo de la aplicación pero principalmente son imágenes de infrarrojos o también pueden ser imágenes de alta definición.

Y datos recogidos por sensores, que se colocan directamente en el suelo y miden la composición del mismo, la humedad, la temperatura o los niveles de nutrientes.

A través de la información de los sensores es posible detectar qué zonas específicas del campo de cultivo necesitan más riego o más nutrientes en lugar de esparcir los fertilizantes por igual y a lo bruto de manera periódica en todo el terreno. Es por ello que se llama agricultura de precisión.

Además, las imágenes tomadas desde el aire por drones hacen que sea posible utilizar modelos de machine learning para la detección de zonas del cultivo enfermas o dañadas por plagas de insectos.

Al fin y al cabo, los insectos son una de las amenazas más importantes de las cosechas y cada año se pierde entre el 20 y el 40% de la producción global debido a este tipo de plagas.

 Saber exactamente la zona del terreno cultivado que está enferma, cómo de afectada está la planta y el tipo de enfermedad afectan al tipo de pesticida utilizado. Además el agricultor ahorra producto y reduce costes, ya que solo lo tiene que aplicar en la zona que está realmente  afectada en vez de echarlo de  manera innecesaria sobre plantas sanas.

Si además de los datos obtenidos de los sensores con el estado del suelo, añadimos datos de predicción meteorológica se podrían incluso implantar sistemas de riego automático que optimizaran el uso del agua mediante modelos de machine learning y que detectaran posibles fugas en el sistema de riego.

Por ejemplo, si un sensor de reportara de manera continua un nivel de humedad muy por encima del esperado podría tratarse de una fuga que hay que reparar. Como sabemos donde está el sensor, sabemos dónde buscar la fuga.

Resumiendo, los datos recolectados por los sensores sobre el estado del suelo y las condiciones de humedad que se ingestan en el sistema de Big Data permiten que el propio sistema devuelva recomendaciones sobre cuánto y dónde aplicar fertilizantes. Si a esto le añadimos datos meteorológicos es posible optimizar el sistema de riego según la previsión meteorológica y si además incorporamos al sistema de Big Data imágenes aéreas del campo de cultivo tomadas por dron, podríamos añadir un modelo para la detección de plantas enfermas que necesiten pesticidas.

Además, monitorizando los patrones de crecimiento de las plantas a partir de todos los datos anteriores se pueden utilizar modelos predictivos para estimar la producción y así poder dimensionar correctamente los recursos que serán necesarios a la hora de cosechar.

Pero los beneficios y las eficiencias que se pueden obtener del Big Data aplicado a la agricultura no terminan cuando termina la cosecha sino que monitorizando las condiciones de humedad, de temperatura, incluso la composición de gases en los almacenes de la cosecha se puede optimizar la conservación del producto para que no se pierda nada antes de la siguiente etapa en la línea de producción.

En los últimos años han aparecido múltiples empresas que se han especializado en desarrollar alguna de las soluciones basadas en machine learning de las que hemos hablado hoy para aplicarlas en la agricultura. 

Quería mencionarlas para que vierais que esto es ya una realidad y no se trata únicamente de soluciones teóricas.

Por ejemplo, AgroStart, es una empresa de la India que comenzó como un ecommerce de productos dedicados a la agricultura en 2008.

Como podéis imaginar la agricultura es un sector muy importante en la India, que da trabajo a la mitad de la población.

El 70% de los agricultores que cultivan campos más pequeños de una hectárea dicen que sus cosechas suelen estar muy afectadas por insectos y condiciones meteorológicas adversas y que no tienen información disponibles como para combatir estos problemas.

Para ello, AgroStar lanzó una aplicación móvil, que usan más de un millón de personas en la India, capaz de recomendar al agricultor productos específicos para utilizar en su cultivo e incluso sugerirle el tipo de cultivo óptimo para el terreno del que dispone. 

El modelo de Machine Learning desarrollado por AgroStar utiliza datos numéricos como la precipitación, humedad, cantidad de agua disponible por hectárea y datos categóricos como el tipo de suelo y las fuentes de agua y sugiere el cultivo apropiado para cada estación y región.  

Los agricultores pueden además, tener acceso a través de la app a expertos agrónomos que utilizan análisis de datos tanto actuales como históricos para ayudar a los usuarios con sus cultivos.

Además, ha desarrollado un modelo de deep learning que permite subir imágenes de una planta a través de la app y detectar si la planta está enferma o está sana.

Otro ejemplo de empresa que se centra en la implementación de Machine Learning en el campo es Semios, una empresa de origen canadiense que ya está presente en Canada, EEUU, Australia, España e Italia.

Semios basa su propuesta de valor en los más de 400 millones de datos que recolecta diariamente gracias a los sensores que tiene desplegados.

En 2018 contaba ya con medio millón de sensores repartidos por más 30000 hectáreas de huertas principalmente de árboles frutales recolectando datos sobre humedad, temperatura, velocidad del viento e incluso instalaba unas pequeñas trampas de insectos con cámaras para poder identificarlos. 

A partir del análisis de todos estos datos, construyen paneles de mando y visualizaciones que permiten al agricultor saber las condiciones en las que se encuentran sus árboles, monitorizando las posibles plagas y reduciendo las necesidades de pesticidas y de agua. 

Una empresa más que ha tenido un crecimiento muy potente, es Taranis, originaria en Israel y fundada en 2015 ya cuenta con filiales casi por todo el mundo y gestiona más 8 millones de hectáreas.

Su propuesta de valor se basa en la detección de cultivos enfermos a partir de imágenes tomadas por drones.

El procedimiento es el siguiente: Primero los drones sobrevuelan los campos de cultivo tomando imágenes en alta resolución de los cultivos y tienen un equipo de expertos agrónomos que se encargan de etiquetarlas según los problemas que pueda presentar la planta.

Con esas imágenes etiquetadas entrenan modelos de Machine Learning que sean capaces de detectar estos problemas en nuevas imágenes de plantas.

A partir de este diagnóstico, el agricultor recibe un análisis con visualizaciones informándole sobre las acciones que debería tomar sobre sus cultivos. Por ejemplo, dónde debería añadir fertilizante.

Y ya para terminar, os quiero hablar de Trace Genomics, una empresa americana que va un paso más allá ya que en lugar de detectar las plantas que ya están infectadas, se enfoca en prevenir las enfermedades analizando la composición del suelo gracias a técnicas de Machine Learning.

Los agricultores les envían una muestra de suelo directamente y reciben un informe con un análisis exhaustivo sobre la condición de ese suelo y recomendaciones sobre cómo tratarlo y qué cultivar ahí.

Impresionante, ¿verdad?

Y eso que no hemos hablado de todas las automatizaciones que además está introduciendo el mundo de la robótica en la agricultura y solo nos hemos centrado en técnicas de Machine Learning 😉

Espero que os guste el episodio 

Si es así, no olvidéis dejar un «Me gusta» y algún comentario al episodio en Ivoox o una valoración de 5 estrellas del podcast en Apple podcasts, en Spotify, en Google podcasts o donde quiera que escuchéis el podcast. 

Recordad que si tenéis cualquier duda o pregunta podéis contactar conmigo a través del formulario de contacto o podemos seguir la conversación en Twitter.

Muchas gracias por estar ahí y os espero en el próximo episodio de Un Podcast Ninja sobre Big Data.

Boletín Ninja

Suscríbete a la newsletter y recibe la guía ninja del Big Data y la Inteligencia Artificial.

Guía ninja del Big Data
Copyright © 2024  Â· Datos 🥷 · Todos los derechos reservados
💼 Aviso legal y cookies