Modelado digital: el futuro de la previsión precisa para aumentar el rendimiento de los cultivos y reducir el riesgo

Nota del editor: Múltiples plataformas, gemelos digitales y otros modelos de datos pueden ayudar a los productores con la salud de las plantas y el rendimiento utilizando información sobre el clima, el agua, el comportamiento de los cultivos y el suelo. Este tema fue discutido en la reciente Conferencia VISION durante la sesión “Modelado digital para pronósticos precisos y exactos”. En este artículo, Jan Johnson de Millennium Research comparte la perspectiva de los panelistas de la sesión.

La agricultura siempre se ha tratado de modelar y pronosticar, aunque solo sea en la mente del productor. Más fertilizante debería equivaler a más rendimiento, hasta que no sea así, y luego cambiemos mi decisión sobre los insumos. Los herbicidas matan ciertas malas hierbas, hasta que ya no lo hacen, y luego cambiamos de herbicida.

Pero en una agricultura digital cada vez más acelerada, la forma de continuar mejorando los rendimientos y alimentar a la población mundial es tomar años de información, puntos de datos y resultados y crear modelos digitales para predecir lo que sucederá antes de que suceda, y recetar medicamentos preventivos. acción para mantener los rendimientos y la calidad en lugar de una acción correctiva una vez que ha comenzado el daño.

“Es la noción de modelar una granja. Los cultivos, la tierra, el agua del abono, el clima, todas esas cosas. Los agricultores ya están haciendo eso hoy en día en diversos grados. Uno de los principales motores de la agricultura es el suelo. Tenemos mapas de suelo para todo Estados Unidos. No tienen una resolución muy alta, pero las usamos como modelo de cómo esperamos que se desempeñe un cultivo en un determinado terreno”, señala Rob Tiffany, fundador y director ejecutivo de Sustainable Logix, una empresa dedicada a reducir los desechos a través de monitoreo, seguimiento, informes y automatización continuos.

Las ganancias futuras en la productividad agrícola provendrán de la capacidad de modelar a partir de datos precisos lo que está sucediendo a nivel micro o macro de la finca y luego tomar decisiones para mejorar la calidad y el rendimiento. “Queremos poder hacer un cambio antes de que ese cultivo se estrese, pero justo antes de que suceda”, dice. “No después, porque para entonces hemos perdido rendimiento o calidad y potencialmente dañado el árbol”.

Muchos expertos dicen que el mejor uso del metaverso para la agricultura es crear un gemelo digital de cada granja o campo y luego usar ese gemelo para incorporar el clima, la humedad o los insumos para determinar el mejor resultado posible para ese campo. La base del gemelo digital proviene de los datos reales recopilados a lo largo de un hilo digital: una serie de datos de tiempo recopilados a lo largo del ciclo de vida de su planta, ya sea una planta de soja o un manzano. Cada vez que se recopilan datos del mundo físico, también entran en el gemelo digital. Sin embargo, eso está muy lejos, dicen los principales expertos. El trabajo actual, que está sentando las bases para los gemelos digitales, es el modelado a gran escala utilizando sensores y datos de cultivos para predecir los resultados y, si es posible, las intervenciones que mejorarán los resultados al tiempo que reducen los costos y los riesgos.

doctor Elia Scudiero, agrónoma investigadora de la Universidad de California Riverside, está trabajando para desarrollar la capacidad de detectar de forma remota los efectos del medio ambiente en las plantas y luego automatizar los tratamientos de mitigación. Ha recibido el Premio Joven Académico 2020 de la División de Conservación y Gestión del Agua y Suelos de la Sociedad de Ciencias del Suelo de América por su trabajo de investigación.

A medida que el agua se vuelve cada vez más valiosa y escasea, Scudiero se enfoca en la capacidad de proporcionar la cantidad correcta de agua en el momento adecuado para que la planta prospere. De particular interés es medir la salinidad del suelo y compensar los niveles de riego, porque si hay demasiada sal en el suelo, el cultivo no va bien, pero hasta ese nivel, el rendimiento se mantiene igual. El exceso de riego aleja la sal, al igual que la lluvia, pero el riego es costoso, por lo que quiere proporcionar un modelo para que los productores sepan cuánto y cuándo deben abordar la salinidad del suelo.

“Esta es en realidad una preocupación más nueva”, dice Scudiero. “Sabemos que algunas de las frutas son más sensibles al riesgo, por lo que desea regar un poco más de lo que necesita el cultivo para eliminar la sal. Y este tipo de experimentos generalmente se hacían hace años en el invernadero y eran muy poco representativos de las condiciones de la vida real en el campo. Pero hoy en día podemos hacerlo en el campo, ensayos muy grandes en los que realmente cultivamos y observamos cómo crece y luego recopilamos los datos en segundo plano para nuestro modelo”.

En el futuro, a medida que se perfeccione el modelo, el riego podría automatizarse en función de las necesidades de las plantas y la salinidad del suelo, que se han determinado a partir de bases de datos masivas generadas por observación a gran escala.

AquaSpy proporciona sondas inteligentes de humedad del suelo conectadas a IoT. Esto permite a los productores rastrear el agua y los nutrientes en varios niveles subterráneos y estos datos se transmiten a la nube, donde los productores pueden acceder a ellos en tiempo real. Usado junto con una tecnología como FarmQA, los agricultores pueden ser proactivos en el manejo de la humedad del suelo, reduciendo los costos de fertilizantes de riego.

Además de beneficiar a los productores individuales, la tecnología como AquaSpy puede proporcionar un conjunto adicional de puntos de datos de humedad del agua a SCAN (Soil Climate Analysis Network) y USCRN. Esto, a su vez, debería acelerar el desarrollo de modelos precisos y predictivos. Trabajar juntos beneficia a toda la industria.

Entonces, si bien los gemelos digitales aún no están aquí, el progreso en el uso de grandes cantidades de datos junto con el análisis de inteligencia artificial avanza tan rápido como la industria lo puede soportar. Los modelos digitales existentes se dirigen con mayor frecuencia a la prevención de enfermedades en cultivos especializados de alto valor. BLIGHTCAST, por ejemplo, se desarrolló para predecir el tizón tardío en tomates y papas en función de los datos de lluvia, humedad relativa y temperatura. Recomienda cuándo pulverizar a los cultivadores. Ahora está disponible en múltiples plataformas.

RÁPIDO (Pronóstico Alternaria solani en tomates) utiliza mediciones horarias de la humedad y la temperatura de las hojas para pronosticar el tizón temprano en los tomates. Recomienda cuándo rociar, y ha sido tan efectivo que se ha modificado para otros cultivos.

Kathleen Glass, vicepresidenta de marketing de AquaSpy, dice: “ahora estamos modelando las plagas y la actividad microbiana debajo del suelo y cosas por el estilo. Entonces, esta es una especie de evolución que vemos, donde los modelos comenzaron con solo dos o tres cosas. Ahora tenemos los satélites y más granularidad y, ya sabes, cosas interesantes de diferentes longitudes de onda y la capacidad de recopilar más datos y luego comienzas a poder tener en cuenta muchos factores al hacer predicciones en un modelo”.

Tiffany y Glass están de acuerdo en que los agricultores son comprensiblemente reacios a creer en el futuro del modelado digital, debido a las muchas promesas incumplidas hechas en los últimos años por los tipos de Silicon Valley..

“Hablo con los productores”, dice Tiffany, “y todos dicen ‘Hace cinco años, todos esos urbanitas, todos esos niños de Silicon Valley vinieron aquí para mostrarnos todo este IOT y lo que sea. Y resultó ser un experimento científico costoso. No sabían lo que estaban haciendo. Solo estaban tirando cosas a la pared, viendo qué se pegaba. Y realmente no tenían su acto juntos.

“Sabes, la tecnología tiene que volverse más simple, fácil. Tiene que ser de bajo costo. Y estamos trabajando en ello. Con suerte llegaremos allí, pero primero tenemos que medir. Porque no puedes arreglar lo que no puedes medir”.