La agricultura digital necesita una amplia comunidad de colaboradores para tener éxito

Aquí describe algunos de los desafíos inherentes a la aplicación del análisis de datos a la agricultura y ofrece algunas reflexiones sobre la solución para el sector agrícola digital en el futuro. La transformación digital de la economía estadounidense está dando inicio a una revolución agrícola que probablemente revolucionará la agricultura de secano en una medida similar a como lo hicieron la mecanización y la biotecnología el siglo pasado. Actualmente, existe un número creciente de empresas emergentes que trabajan para proporcionar a los productores tecnologías digitales que les ayuden a gestionar sus explotaciones, y la mayoría de ellas lo hacen mediante un enfoque basado en datos.

Este enfoque implica la recopilación de diversos datos, incluyendo datos que pueden obtenerse con una resolución arbitrariamente alta mediante sensores, satélites, aeronaves, drones y múltiples otras fuentes de datos; datos de sensores que pueden medir eventos climáticos locales, niveles de humedad y otros parámetros importantes con alta precisión; y datos de mercados financieros o empresas de semillas y productos químicos. Posteriormente, las startups aprovechan la creciente disponibilidad de computación asequible para procesar algoritmos durante la noche sobre terabytes de estos datos.

Los desafíos de un enfoque basado en datos El problema con un enfoque basado en datos, como señala el Dr. Esto hace que el desarrollo, las pruebas, la validación y el despliegue exitoso de tecnologías digitales sean mucho más desafiantes en comparación con otras industrias donde los datos suelen ser estáticos. Además, en comparación con otras industrias como el comercio de tecnología de consumo, el acceso a datos útiles en la agricultura suele estar restringido por preocupaciones de privacidad y confidencialidad corporativa, y en algunos casos, los datos simplemente no se han recopilado.

El enfoque basado en datos e informática adoptado por muchas startups de agricultura digital ha provocado que los resultados de sus esfuerzos a menudo no cumplan las expectativas, ya que se han centrado en desarrollar modelos predictivos sofisticados del crecimiento de la cosecha en campo abierto, partiendo de la premisa de que la expansión y la salud de la cosecha pueden gestionarse de forma controlada, cuando en realidad no es así. Un enfoque de teoría de sistemas: Es evidente que la agricultura digital necesita un nuevo paradigma para tener éxito, donde la colaboración entre científicos e investigadores de diferentes disciplinas pueda generar el tipo de resultados aceptables para los agricultores.

Existen modelos generales de fotosíntesis y expansión de cultivos fruto de muchos años de investigación, pero aún no se han integrado en los datos procesados ​​de sensores e imágenes ni en los métodos predictivos para productores individuales. Los principios de la teoría de sistemas pueden ayudar a descartar algunos datos de los sensores y centrarse únicamente en las entradas más relevantes, simplificando así la aplicación del aprendizaje automático en escenarios complejos con ruido y otros artefactos. Los métodos y herramientas de la teoría de sistemas pueden ayudar a determinar cuándo y cómo reaccionar ante eventos específicos.

Al minimizar la necesidad de recopilar datos, el motor de análisis se puede utilizar de forma más eficiente, ahorrando tiempo de procesamiento y proporcionando información útil al agricultor de manera oportuna. Es fundamental tener en cuenta las particularidades de la dinámica de la siembra, analizando la respuesta de los cultivos a diversos insumos como fertilizantes, nutrientes, cambios climáticos, etc., para controlar y gestionar todo el proceso de forma más científica. Los datos recopilados por los distintos sensores deben considerarse desde esta perspectiva: utilizarlos de la mejor manera para construir modelos más sofisticados y poder analizarlos en relación con dichos modelos y su evolución.

Persisten los desafíos. Sin embargo, aún quedan dos desafíos: el costo de adoptar tal enfoque en un ecosistema de startups donde los inversores de capital riesgo están sujetos a plazos específicos; y la necesidad de involucrar a los productores. ¿Alcanzarán los métodos de inteligencia artificial basados ​​en datos un nivel en el que los datos puedan analizarse y aprenderse sobre la marcha a una velocidad y un costo adecuados para los agricultores, y que se traduzcan en mejores rendimientos de siembra? ¿O podría un enfoque más fundamental y específico lograr la tan deseada rentabilidad al considerar los modelos de anticipación de la cosecha? ¿Ayudando a reaccionar solo a eventos específicos, minimizando la carga del motor de análisis y el tiempo de respuesta?

El camino más largo hacia un producto comercial, implícito en un enfoque de teoría de sistemas, requiere un respaldo sustancial para desarrollar los modelos integrados. Métodos que los accionistas de capital de riesgo podrían no estar dispuestos a asumir, a pesar de que, a largo plazo, esta inversión podría reducir los costos de recopilación, almacenamiento, análisis y optimización de datos. El productor posee conocimiento empírico de un entorno específico, obtenido mediante la observación directa, que puede combinar con datos para decidir cuándo sembrar, cómo monitorear la expansión, cuándo aplicar fertilizantes, cómo controlar malezas, enfermedades y plagas, y cuándo cosechar.

La motivación del agricultor para cooperar en el desarrollo e implementación de herramientas digitales, así como la capacidad de generar valor en la propia explotación para lograr rentabilidad, serán clave para revolucionar la agricultura en la era de la industrialización digital.