Tras la pandemia de COVID y los diversos problemas en la cadena de suministro derivados de ella, la agricultura ha obtenido una mayor atención como parte clave de la seguridad alimentaria del planeta. La modernización del sector en los últimos años se ha acelerado y la combinación de la agricultura con alta tecnología y poderosos algoritmos ha creado términos como el “agricultura inteligente” o “agricultura de precisión”, que, más que conceptos futuristas, cada vez es más una realidad en todo el mundo.
En esta modernización, tiene una gran importancia la inteligencia artificial. Su inclusión en productos de hardware y software aporta un valor añadido a estos y mejoran su eficiencia a la hora de resolver las tareas que les corresponden.
El papel de la agricultura de precisión en la transformación del sector en México https://www.youtube.com/watch?v=Vfp7jagZqLU&t=238s
Inteligencia artificial en software agrícola
Uno de los mayores exponentes del uso de la IA en el software dedicado a la agricultura es EOS Data Analytics. La empresa trabaja en todo el mundo y sus soluciones son usadas de forma frecuente en 22 sectores distintos, aunque con especial atención a la agricultura y silvicultura. Su principal producto para la industria agrícola es EOS Crop Monitoring, una plataforma en línea para la monitorización de los campos por satélite. Su éxito radica en ser una solución integral que recopila toda la información en un mismo lugar. Además, gracias al lanzamiento de sus propios satélites por parte de la compañía, los usuarios dispondrán de datos de satélite específicos para la agricultura, obteniendo así información más relevante sobre sus campos.
"El modelo de negocio de la empresa consiste en desarrollar productos finales sencillos y comprensibles para diversos sectores basados en complejos algoritmos y modelos de procesamiento de datos, incluidos los obtenidos por satélite, los terrestres y otros datos disponibles" comentó Rim Elijah, vicepresidenta de ventas de EOS Data Analytics.
Cómo se usan la inteligencia artificial y el aprendizaje automático para resolver problemas agrícolas
El aprendizaje automático es una ciencia basada en el entrenamiento de las máquinas con grandes cantidades de datos para que luego ellas sean capaces de decidir por sí solas cuál es la mejor opción para resolver el problema. Una de las ventajas respecto a la agricultura tradicional es que tienen en cuenta todos los factores relevantes a la hora de decidir, cosa que no siempre sucede cuando son las personas por sí mismas las encargadas. Esta falta de conocimiento de los factores, a menudo, lleva a situaciones indeseadas, como plantas quemadas por fertilizante, retraso del crecimiento de las plantas debido a la falta de agua u otros insumos, la existencia de alguna enfermedad o plaga, etc.
Las redes neuronales artificiales (RNA) trata de llenar el vacío existente entre la automatización y los modelos agrícolas de aprendizaje automático. El objetivo es enseñar a las máquinas a actuar y pensar como humanos, aumentando su capacidad más allá de tareas simples. Cuando hay que tomar una decisión, el análisis predictivo y prescriptivo entra en juego y la inteligencia artificial ayuda a que el proceso se complete. Por ejemplo, en un caso de un nivel bajo de nutrientes, el modelo de aprendizaje automático detectaría el problema y la inteligencia artificial se encargaría de que la maquinaria rocíe fertilizante en el campo.
Caso de estudio de EOS Data Analytics: Uso de RNAs para la clasificación de cultivosUna empresa brasileña solicitó a la compañía un proyecto personalizado sobre los campos de caña de azúcar en Brasil y la superficie cosechada en el estado de Sao Paulo. Para realizar la clasificación de los campos de Brasil hicieron falta datos de los satélites Sentinel-1, Sentinel-2 y MODIS-Terra que representaban un área de más de un millón de hectáreas.
El equipo científico de EOSDA decidió probar con 2 modelos: un modelo Conv-LSTM y otro modelo con redes neuronales recurrentes bidireccionales basadas en LSTM. El primero de ellos tuvo una mayor precisión (más del 94% de acierto) tras su entrenamiento con los datos mencionados anteriormente y fue el que se usó para realizar un mapa de clasificación de cultivos en el que destacaban los campos de caña de azúcar. Las ventajas del modelo Conv-LSTM es que combina las redes convolucionales (CNN) y de memoria a corto plazo (LSTM); además, permite analizar datos de series temporales espaciales.
Para la segunda parte del proyecto, los especialistas usaron imágenes de radar Sentinel-1 Single Look Complex y ópticas de Sentinel-2 durante un periodo de tiempo específico. Los datos se analizaron con el índice NDVI, buscando caídas bruscas en el valor de dicho índice, seguidas de valores bajos del índice durante un largo periodo de tiempo, lo cual es señal de que el campo había sido cosechado.