Actualmente hay más de 8100 millones de personas en el mundo. Se estima que en 2050 habrá 9700 millones. Según la Organización de las Naciones Unidas para la Alimentación y la Agricultura (FAO), alimentar a esa población requerirá un aumento del 70 % en la producción agrícola.
No basta con ampliar las técnicas de producción actuales para satisfacer la demanda futura, ya que también hay que tener en cuenta que la industria agrícola es el quinto mayor consumidor de energía y uno de los principales responsables de las emisiones de gases de efecto invernadero.
La agricultura inteligente es ahora un tema candente en el sector. Vemos cómo se utilizan las nuevas tecnologías en la agricultura y la ganadería para aumentar tanto la cantidad como la calidad. En cuanto a las tecnologías, se incluyen el GPS, los sensores (cada vez más inteligentes), el Internet de las cosas en la agricultura (IoTAg), el cloud computing, la automatización, los vehículos sin conductor, la inteligencia artificial (IA) y el aprendizaje automático (ML). En conjunto, estas tecnologías pueden utilizarse para crear un sistema integral altamente optimizado que dará lugar a mayores niveles de autonomía.
Un aspecto importante de la agricultura inteligente es la agricultura de precisión (PA). Mejora el rendimiento de los cultivos mediante métodos de producción automatizados y se teorizó por primera vez en la década de 1980. Sin embargo, se atribuye a John Deere el mérito de haber sido el primero en poner en práctica la teoría cuando, en 1996, la empresa lanzó su sistema de agricultura de precisión GreenStar, que introdujo la guía por GPS y la dirección automatizada.
La importancia de los datos se reconoció claramente en los inicios de la AP y, curiosamente, el folleto de GreenStar llevaba el eslogan «¡La información es su nueva cosecha!». La AP ha avanzado mucho desde entonces y ahora se considera fundamental para la práctica de la agricultura inteligente, que consiste en acceder y utilizar datos precisos y en tiempo real para mejorar la calidad y la cantidad de los cultivos, aprovechar mejor la mano de obra humana y, por supuesto, mejorar los beneficios de la agroindustria.
Con mejores datos, no solo se pueden tomar decisiones más rápidas y con mayor confianza, sino que el proceso de toma de decisiones se puede automatizar en gran medida, lo que se traduce en una acción inmediata.
Sensores
La agronomía, la ciencia de la gestión del suelo y la producción de cultivos, es clave para obtener mayores rendimientos. Por ejemplo, un indicador básico de la salud (y la fase de crecimiento) de un cultivo es su color, incluidas algunas propiedades espectrales que no son visibles para el ojo humano. Las imágenes satelitales pueden utilizarse para crear una variedad de índices espectrales. Entre los más útiles para la producción de cultivos se encuentran el índice de vegetación de diferencia normalizada (NDVI-Normalized Difference Vegetation Index, que compara los niveles de infrarrojo cercano [NIR] y luz roja visible), el índice de área foliar (LAI-Leaf Area Index) y el índice de estrés hídrico (MSI-Moisture Stress Index). En los últimos años se ha incrementado el uso de drones multirrotor y de ala fija equipados con cámaras de visión estándar e hiperespectrales y sensores térmicos para la monitorización, en lugar de satélites.
Las propiedades espectrales también pueden ser un indicador de la salud del suelo, y se puede obtener información útil a partir de sensores electroquímicos (que miden el pH y los niveles de nutrientes) y sensores de radiación gamma.
En combinación con datos más generales, como la temperatura del aire y del punto de rocío, la velocidad y la dirección del viento, la humedad relativa, la presión atmosférica y la radiación solar, esta información puede alimentar un ecosistema agrícola conectado.
Los datos relativos a la salud de los cultivos pueden utilizarse para crear un mapa de prescripción (PM), en el que se detalla dónde aplicar recursos como semillas, fertilizantes, pesticidas y agua. Además, las previsiones meteorológicas, el coste de los recursos y el coste y la disponibilidad de la maquinaria que pueda ser necesario contratar pueden ayudar a tomar decisiones de alto nivel sobre cuándo deben aplicarse los recursos.
Es importante controlar las cantidades de recursos, ya que tienen una influencia directa en la rentabilidad de la agroindustria, así como en una serie de cuestiones medioambientales.
Tecnologías de Tasa Variable
Las tecnologías de tasa variable (VRT) aplican semillas, fertilizantes, agua y pesticidas en cantidades óptimas y en los lugares donde más se necesitan. En general, hay dos tipos de VRT: basadas en mapas y basadas en sensores. Las VRT basadas en mapas ajustan la aplicación del producto en función de un mapa pregenerado del campo. Las VRT basadas en sensores no utilizan ningún mapa, sino sensores montados que miden las propiedades del suelo o las características de los cultivos en tiempo real.
Tomemos como ejemplo la siembra, donde la tasa de siembra de la maquinaria se ajusta en respuesta al PM. El mapa no reflejará la compactación del suelo, que influye en el rendimiento de los cultivos, por lo que se necesita un sistema de detección de la textura y la compactación del suelo in situ, es decir, instalado en la maquinaria, para poder ajustar la profundidad de labranza en tiempo real.
Como ya se ha mencionado, la IoTAg forma parte del panorama de la agricultura inteligente. Se utilizarán en abundancia dispositivos inalámbricos habilitados para la IoTAg para medir las condiciones. La mayoría de estos dispositivos estarán expuestos a la intemperie, en los campos, instalados en maquinaria agrícola e incluso en el ganado (en lo que respecta a la monitorización del ganado), por lo que deberán ser resistentes.
Muchos también tendrán que funcionar con pilas, ya que se encontrarán en lugares remotos. Aunque los dispositivos pasen la mayor parte del tiempo en modo de reposo, se espera que duren más de un año antes de que sea necesario sustituir las pilas, o varios años si es posible recargarlos mediante células fotovoltaicas. Afortunadamente, existen varios microcontroladores (MCU) de bajo consumo que ya se utilizan en dispositivos IoT alimentados por pilas y en dispositivos electrónicos portátiles.
También es necesario abordar la ciberseguridad, ya que los dispositivos IoTAg son, en la práctica, nodos de la red de la explotación agrícola. Aunque los datos enviados por un dispositivo pueden no ser sensibles, se envían a una red que contiene información valiosa y que tiene la capacidad de controlar maquinaria automatizada.
AI & ML
La VRT, respaldada por la gran cantidad de datos que se recopilan, está mejorando los niveles de automatización que han sido posibles gracias a la orientación de los sistemas globales de navegación por satélite (GNSS) combinados con tecnologías automatizadas como el cierre de filas/secciones de sembradoras y el control de la barra de pulverización, por ejemplo.
Sin embargo, el mayor potencial viene con la incorporación de la inteligencia artificial (IA) y el aprendizaje automático (ML) en el campo; y se prevé que el mercado de la IA en la agricultura crezca de los 1700 millones de dólares actuales en 2023 a 4700 millones de dólares en 2028, con una tasa de crecimiento anual compuesta superior al 23 %.
Como se ha mencionado, determinar la compactación del suelo en tiempo real es útil, pero la solución para hacerlo no tiene por qué ser más compleja que un sistema de control de bucle cerrado que incluya armaduras y un método para medir la deformación o el desplazamiento. Distinguir entre cultivos y malas hierbas en tiempo real, mientras la maquinaria se desplaza por el campo, requiere un sistema basado en la visión por ordenador con algoritmos de ML que decidan si se deben aplicar herbicidas (véase la figura 2). Y, si se trata de un cultivo, ¿cuál es su estado de salud? Las hojas rizadas y el marchitamiento suelen ser indicios de enfermedad. Un sistema basado en visión con ML será capaz de detectar rastros de insectos y decidir qué plantas requieren pesticidas. Sin embargo, es importante señalar que la decisión también se tomará en función de otros factores, como el contenido de humedad del suelo, ya que los síntomas detectados pueden no ser exclusivos de una enfermedad o infestación. La falta de agua también podría causar marchitamiento, por lo que el modelo de ML debe aceptar diferentes tipos de datos de entrada.
Figura 2: gracias al GPS, el ordenador conoce su posición en tiempo real y, basándose en un mapa de prescripción VRT, sabe «aproximadamente» dónde deben aplicarse los herbicidas. Sin embargo, la ampliación del sistema con información en tiempo real procedente de sensores y cámaras proporciona una precisión mucho mayor.
Como se ha mencionado, los MCU de baja potencia ya se utilizan ampliamente en dispositivos IoT y, por lo tanto, también pueden utilizarse en dispositivos IoTAg. Además, es posible implementar IA y ML en un MCU, gracias a iniciativas como el movimiento Tiny Machine Learning (tinyML). Mediante la implementación de algoritmos de ML en el MCU, es posible proporcionar el procesamiento edge y la toma de decisiones necesarios para muchas aplicaciones de VRT.
Resumen
La agricultura inteligente consiste en acceder a los datos y hacer un buen uso de ellos para mejorar el rendimiento. Esos datos ya están demostrando ser el alma de prácticas como la VRT, ya que ayudan a los agricultores a obtener más con menos y permiten alcanzar niveles de automatización cada vez mayores. Sin embargo, es la incorporación de la IA y el ML al ecosistema de la agroindustria lo que promete proporcionar el mayor rendimiento, al permitir tomar decisiones in situ y hacer un uso óptimo de los recursos.
Sobre el autor:
Nilam Ruparelia dirige los esfuerzos de comercialización de Microchip para la IA/ML en el ámbito de la tecnología de vanguardia, así como para los mercados de 5G y comunicaciones. La carrera de Ruparelia abarca más de 30 años en la industria de los semiconductores, con funciones centradas en los mercados, los clientes y las aplicaciones para líderes del sector en productos MCU, FPGA y comunicaciones. Nilam se licenció en Ingeniería con especialización en Electrónica y Comunicaciones por la LD College of Engineering de la Universidad de Gujarat, India.
