Impacto de las transformaciones culturales en la productividad en la agricultura
A lo largo de los últimos siglos, los seres humanos han pasado por ciertas transformaciones que llevaron posteriormente a revoluciones agrícolas. Cada revolución jugó un papel clave en el aumento de la producción y la optimización del proceso productivo. Desde la primera revolución hasta la cuarta hay un largo camino que va desde la caza y la recolección hasta la digitalización y la inteligencia artificial. Profundicemos en los detalles, hay cuatro revoluciones agrícolas:
Primera revolución agrícola (1700- en adelante). Esta revolución se caracteriza por una agricultura estacionaria con principios básicos basados principalmente en mano de obra, caballos de fuerza y herramientas simples, lo que significa que la productividad se mantuvo relativamente baja durante ese período.
Segunda revolución agrícola (1914-1980). En este momento se produce un cambio de los suplementos de nitrógeno natural a los fertilizantes sintéticos. La introducción de la rotación de cultivos y el drenaje aumentó drásticamente el rendimiento de los cultivos y el ganado, mejoró la fertilidad del suelo y redujo el barbecho. Un aumento de la producción y una disminución de la demanda laboral provocaron migración y expansión urbana.
Tercera revolución agrícola (década de 1920-presente). Esta revolución tiene que ver con los motores de combustión y la electrificación rural, la introducción de la biotecnología y la ingeniería genética, junto con programas computarizados. El resultado de esta revolución lo podemos observar hoy en día en los mercados.
Cuarta revolución agrícola (década de 1970 en adelante). Esta revolución supuso una transición de la producción industrial a un modelo digital que optimiza los procesos de producción, reduce el tiempo y los costos y mejora el valor para el cliente. En este punto, la industria agrícola pasó a operar con claves como el Internet de las Cosas, Big Data, Inteligencia Artificial, computación en la nube, teledetección, ingestión y procesamiento de big data en Data Lakes como base para el enfoque de toma de decisiones.
La primera y segunda revoluciones agrícolas muestran una transición del trabajo manual a la producción, mientras que la tercera y cuarta revoluciones muestran la importancia de la informatización y la recopilación de datos. Sin embargo, todavía existen enormes problemas en el sector agrícola de la economía que buscan soluciones en el aprendizaje automático.
Problemas de la agricultura tradicional y el papel del aprendizaje automático
La demanda de producción agrícola ha aumentado considerablemente durante el último año y debería ser una de las principales causas de la inflación en todo el mundo en el futuro próximo.
Mientras tanto, el aumento del rendimiento agrícola intensivo es limitado debido a una serie de razones externas:
Una superficie terrestre global limitada que es apta para el cultivo en función de las condiciones climáticas, buenos suelos y desarrollo urbano. Según estadísticas actualizadas, aproximadamente el 40% del territorio está cubierto por selvas, desiertos, zonas urbanas u otros estados naturales del territorio como bosques. Por tanto, queda muy poca tierra para la expansión agrícola.
Los hábitos y patrones dietéticos de los consumidores en constante cambio empujan a los agricultores a pasar de un tipo de producción a otro. Por ejemplo, la demanda de productos cárnicos está aumentando rápidamente en las sociedades debido a la desigualdad entre la población.
Es probable que los cambios climáticos y los desastres naturales que han aumentado en el último siglo den lugar a patrones climáticos más extremos, con un aumento de las temperaturas promedio, lo que resulta en rendimientos fluctuantes y déficits de producción.
La aplicación del Machine Learning en el sector agrícola puede solucionar los problemas mencionados anteriormente. Para comprender mejor la interferencia entre estos dos campos, veamos el ejemplo. Imaginemos que hay un agricultor que se basa principalmente en cálculos de esfuerzos de insumos y rendimientos de productos. Este agricultor pronostica sus ganancias basándose en cálculos científicos. Al mismo tiempo, opera con datos de los sensores de la maquinaria, como datos de cultivos y GPS, mientras que otros datos se recuperan de un dron y se correlacionan con información SIG. Al mismo tiempo, este agricultor también puede observar datos de precios, posición del ganado y demanda de su producto en función de servidores en la nube de terceros (diagrama 1). Todo esto en conjunto crea una imagen del valor y la demanda potencial de los cultivos. Además, el pronóstico del tiempo proviene de fuentes abiertas y predice claramente las condiciones para la próxima semana. Al mismo tiempo, los sensores detectan la humedad del suelo y comprueban el estado de salud de plantas y animales.
Todos estos datos se recopilan y almacenan para análisis futuros.
El seguimiento de cada entidad de producto es simple y se puede observar claramente en los paneles para el agricultor y el cliente final. Combinar toda esta información podría ahorrar mucho esfuerzo, ayudar a las organizaciones a trabajar de manera más eficiente y resolver los principales problemas que enfrentan los agricultores hoy en día.
Integración del aprendizaje automático y la ingeniería de datos en la agricultura
La pandemia de covid-19 tuvo un enorme impacto en la Agricultura y al mismo tiempo en el desarrollo del Aprendizaje Automático y la Ingeniería de Datos. El objetivo principal de la integración entre agricultura y aprendizaje automático es aumentar el rendimiento final de los cultivos, ahorrar esfuerzos y recursos y ayudar a controlar cada paso del crecimiento de plantas y animales. Existe una serie de técnicas de aprendizaje automático que ayudan a recopilar datos agrícolas y facilitar el proceso a los agricultores. Las siguientes aplicaciones podrían ser de gran utilidad para el desarrollo de la comunicación entre la recopilación de datos y la producción real.
1) Un protocolo unificado
Es útil tener un protocolo único y unificado para la compatibilidad entre fabricantes de componentes eléctricos y electrónicos. Todos los dispositivos mecánicos y automotrices deben combinarse como una pieza "LEGO" en una gran máquina. Todas las partes de la construcción final deben comunicarse con otras mediante protocolos. Este protocolo unificado se basa en la Norma Internacional ISO 11783 y comenzó a aplicarse en todo el mundo en 2008.
2) Internet de las cosas (IoT)
Los diferentes dispositivos de un sistema deben estar conectados a Internet y pueden interactuar entre sí en tiempo real (diagrama 2). El número de sensores y sus aplicaciones crece cada año y probablemente rondará los 250 mil millones en los próximos 5 años. . Gracias a esta increíble cantidad de sensores desarrollados en productos de software, recopilar y almacenar información en un solo lugar se convierte en una tarea no trivial.
3) Drones y teledetección
El desarrollo de la tecnología de la información y las ciencias agrícolas ha hecho posible fusionar los drones y los sensores, lo que ha llevado al surgimiento de la agricultura de precisión. Un plan de este tipo genera el máximo beneficio y producción con un mínimo de insumos y un uso óptimo de los recursos. Una de las aplicaciones interesantes se basa en el sistema de posicionamiento global (GPS) y las tecnologías GIS que ayudan a calcular las rutas óptimas para los tractores. Con los algoritmos de aprendizaje automático, la desafiante tarea de trigonometría de la universidad se transforma en una solución simple y dinero real que no se gasta en combustible adicional.
4) Recopilación de datos y comunicación en redes sociales.
La clave para esto es la creación de una cadena eficiente con sistemas locales de producción de alimentos y sistemas ganaderos. Este enfoque creará una mayor comprensión de la eficiencia de toda la cadena de suministro de alimentos y la integración de estos dos sistemas generará un impacto ambiental positivo a largo plazo y brindará una mayor seguridad alimentaria.
5) Visión por computadora
El análisis y la detección de imágenes se encuentran entre los campos de mayor crecimiento en la investigación informática. Todas las máquinas automatizadas parten de la detección, utilizando en la mayoría de los casos cámaras para obtener datos que proporcionan información sobre el cultivo y la ubicación del sistema de recolección. Normalmente, se trata de una cámara RGB, una cámara de profundidad o un sistema lidar. Las imágenes se pasan a canales de aprendizaje automático que se basan en enfoques de clasificación efectivos, incluidas máquinas de vectores de soporte (SVM), redes neuronales, k-means, análisis de componentes principales (PCA), extracción de características, etc. Entre las aplicaciones desarrolladas por diferentes equipos, se podrían mencionar los siguientes:
Identificación de enfermedades de las plantas. Tradicionalmente, los agricultores no están muy bien informados sobre la detección temprana de enfermedades, ya que carecen de conocimientos sobre las enfermedades de los cultivos y requieren apoyo y sugerencias de especialistas. Sin embargo, el diagnóstico de infecciones en las primeras etapas podría al final salvar muchos cultivos.
Selección y clasificación de frutas. En el mercado, las frutas se clasifican por tamaño y precio adecuado. Por lo general, estas frutas se clasifican manualmente, lo que resulta parcial y requiere mucho tiempo. El proceso que se podría caracterizar anteriormente es uno de los primeros en ser automático.
Evaluación de cultivos y tierras. La información que recopilan los satélites se ha incrementado mediante el uso de sensores de imágenes. Por ejemplo, las áreas de bosques en crecimiento o en desaparición podrían recopilarse y analizarse en series temporales para detectar problemas potenciales.
Reconocimiento de malezas. Todas las plantas nacen de las malas hierbas. Por lo tanto, la detección, recolección y filtrado de las mejores malezas son extremadamente importantes para el rendimiento agrícola futuro. Los investigadores propusieron el procesamiento de imágenes para analizar parámetros agrícolas y describir cómo el procesamiento de imágenes en diferentes espectros, como los rayos X hiperespectrales e infrarrojos, puede ser útil para determinar los índices de vegetación, medir el dosel, mapear tierras irrigadas y más.
6) Transparencia de datos y blockchain
Una cadena de bloques es un método de datos cifrados que realiza una búsqueda de cada transformación que se ha aplicado a una entidad objetivo, como almacenamiento, vinculación y recuperación. La industria agrícola moderna se ha acelerado y ahora utiliza una cadena de bloques en la cadena de valor agrícola porque se la considera un mecanismo para optimizar diferentes cuestiones, como la transparencia, la rentabilidad, la trazabilidad, los sistemas de suministro de calidad, etc. Por ejemplo, la industria alimentaria francesa El mercado “Carrefour” utiliza soluciones blockchain para la trazabilidad de sus productos desde 2018. El objetivo es proporcionar un escaneo de código QR donde los consumidores puedan recuperar datos sobre el producto en sus teléfonos móviles. La información disponible a través del código incluye el lugar y fecha de producción, la composición del producto, el método de cultivo, etc.
7) Realidad Aumentada
Este campo se encuentra sólo en la etapa de desarrollo, pero ya ha demostrado un gran potencial en un campo específico que requiere resoluciones de imágenes 3D. Visualización de animales, sus enfermedades y daños en cultivos para valorar y realizar tratamientos. La Realidad Aumentada promete mucho en el futuro próximo, sobre todo si se combina con la Inteligencia Artificial (IA).
No se debe subestimar la importancia del aprendizaje automático y la ingeniería de datos en la agricultura. La implementación de nuevas técnicas definitivamente podría beneficiar a los agricultores al aumentar los ingresos y a los clientes al ahorrarles tiempo.
La evolución de las transformaciones humanas en la agricultura esboza los principales cambios que históricamente atravesó el sector agrícola y al mismo tiempo señala los problemas que enfrentan los agricultores en la actualidad. En la era de las computadoras y las comunicaciones digitales, los agricultores buscan formas de aumentar sus ganancias, mientras que los consumidores exigen un servicio de calidad en un corto período de tiempo. Para satisfacer estas necesidades, el grupo de Software Sigma investigó y desarrolló varios enfoques, como comunicación de datos, visión por computadora, blockchain, inteligencia aumentada, etc.
Estos enfoques, junto con otras herramientas de aprendizaje automático e ingeniería de datos, crean un esquema central para el sector agricultor. Como resultado, para aumentar los ingresos en el sector agrícola y crear una cadena de suministro más eficiente, los agricultores deben depender más de la maquinaria.
Fuente: Technative.io