EOSDA Mejora El Rendimiento Con Mapas De Productividad

¿Por Qué Los Agricultores Necesitan Herramientas Basadas En IA Para Evaluar La Productividad De Los Cultivos?

Oleksandr Dzhevaga: Observamos una creciente demanda de análisis racionalizados en la agricultura por varias razones. Por un lado, debido a la estrategia de la UE Farm to Fork, la pérdida de nutrientes debe reducirse en un 50% hasta 2030, y el uso de fertilizantes debe disminuir en un 20%, preservando al mismo tiempo la fertilidad del suelo ^{European Commission. (2022). Farm to Fork Strategy. Language selection | Food Safety.}. Esta estrategia se traduce en una serie de directivas de obligado cumplimiento para todas las empresas agrícolas de la UE. Además, diversos factores, desde el cambio climático hasta el equilibrio entre importaciones y exportaciones, obligan a los agricultores a buscar instrumentos que les ayuden a preservar la productividad de forma saludable y rentable.

Algunos de los objetivos de las herramientas basadas en IA para la agricultura son:

1. Hacer predicciones sobre el estado de los cultivos.
2. Permitir un análisis rápido de los datos y hacer recomendaciones útiles.
3. Optimizar los programas de riego, la aplicación de fertilizantes y otras operaciones agrícolas críticas que afectan a la productividad de los cultivos.
4. Detectar y predecir plagas e infestaciones en los cultivos.
5. Mitigar los riesgos meteorológicos y conocer datos como la humedad del suelo, la temperatura, la humedad, las precipitaciones, etc. para tomar mejores decisiones.

Como puede verse, el uso de herramientas basadas en IA proporciona capacidades avanzadas para evaluar la productividad y la salud de los cultivos con mayor precisión y eficiencia. El uso de análisis avanzados facilita la optimización del rendimiento, la reducción del riesgo y la toma de decisiones basadas en datos para mejorar las prácticas agrícolas.

¿Qué Son Los Mapas De Productividad Basados En El Índice De Productividad Combinado Que Ofrece EOSDA Como Solución Personalizada?

Aleksey Kryvobok: Los mapas de productividad basados en el Índice de Productividad Combinado se generan utilizando datos de entrada de fuentes de distinta naturaleza combinados, como imágenes de satélite y modelos biofísicos. Estos mapas permiten averiguar en qué partes del campo la productividad (vegetación) era sistemáticamente alta, y en cuáles, sistemáticamente baja.

El resultado es un mapa, enriquecido con una visualización basada en el índice NDVI (Índice de Vegetación de Diferencia Normalizada) junto con los resultados de la modelización biofísica. Estos últimos tienen en cuenta varios factores adicionales (tipo de cultivo, condiciones meteorológicas, tipo de suelo, topografía, etc.). Esto permite un análisis más preciso, ya que se tienen en cuenta más variables para obtener el valor resultante. Además, el Índice de Productividad Combinado puede utilizarse para evaluar las peculiaridades de cada cultivo por separado, es decir, el usuario puede disponer de diferentes mapas de productividad para distintos cultivos.

Oleksandr Dzhevaga: Sí, nuestros clientes han manifestado su interés por el desarrollo de este tipo de análisis diversificados. Es muy importante, ya que cada tipo de cultivo requiere unas condiciones específicas para producir una buena cosecha.

Los Datos Satelitales Se Miden En Números/Píxeles Y Los Cultivos Se Miden En Unidades De Peso. ¿Qué Unidades De Medida Se Usan Para Evaluar La Productividad?

Aleksey Kryvobok: El índice de productividad es un valor sin unidades de medida. Esto está relacionado con el hecho de que nuestra metodología combina dos fuentes de datos diferentes con distintas unidades de medida:

• El índice de productividad, que se calcula a partir de imágenes de satélite (concretamente a partir de índices de vegetación) y tiene un valor entre 0 y 1.
• La productividad modelizada en función del cultivo, basada en los resultados de la modelización biofísica, en unidades como kg/ha.

El índice final (combinado) es el valor obtenido de la modelización biofísica, multiplicado por el índice de productividad calculado a partir de datos de satélite.

Por lo tanto, este índice de productividad no tiene unidades de medida específicas. Podemos comparar de algún modo el valor del índice de productividad con kg/ha, pero esto no será del todo correcto. La mejor forma de utilizar el índice es comparar la productividad de diferentes áreas de interés a través de una escala unificada, lo que se denomina clustering. Luego, estimando los resultados obtenidos, se puede entender qué zona es más productiva y cuál menos (dados varios parámetros mencionados anteriormente).

Para entenderlo mejor, vamos a usar un ejemplo (maíz):

• Índice de productividad basado en datos satelitales para un píxel/una zona = 0,8
• Resultado de la modelización biofísica = 10,000 (supuestamente, kg/ha)
• Productividad final ponderada en base al Índice de Productividad Combinada para un píxel/una zona = 8,000 (sin unidades de medida)

¿Qué Es El Clustering En Los Mapas De Productividad Y Cómo Puede Utilizarse?

Oleksandr Dzhevaga: En su versión en bruto (sin posprocesamiento adicional), los mapas de productividad son imágenes georreferenciadas, formadas por conjuntos de píxeles, cada uno de los cuales contiene el valor del Índice de Productividad Combinado. Éste no siempre es un formato cómodo para utilizar tales datos, sobre todo cuando hay que emplearlos con la maquinaria o en el análisis de alto nivel de una zona extensa.

Para que el uso de los mapas de productividad resulte más cómodo para los fines antes mencionados, suele llevarse a cabo la agrupación (o zonificación) de los datos, denominado clustering. El clustering consiste en dividir el mapa de productividad en diferentes zonas homogéneas, en función de los valores del índice de los píxeles. Esto significa que los píxeles con valores de índice similares se combinan en una zona, es decir, se agrupan en una sola clase o conjunto.

Aleksey Kryvobok: Podemos elegir un número diferente de agrupamientos o clusters para diferentes casos. Por ejemplo, se pueden seleccionar 5 grupos (productividad muy alta, productividad alta, productividad media, productividad moderada y productividad baja). A continuación, para cada opción, se elige un intervalo de valores del índice. Si el valor del índice en algún píxel cae dentro del intervalo seleccionado, entonces el píxel será asignado a dicho grupo, como en la imagen de abajo.

Aleksey Kryvobok: Además, estos clusters pueden utilizarse de forma eficaz y cómoda, por ejemplo, en la fertilización diferenciada. El mapa de productividad se carga en la máquina y se establece la tasa de fertilización para cada grupo o clúster (por ejemplo, la tasa de fertilización más alta se establece para el grupo o clúster de baja productividad y la tasa más baja para el grupo o clúster de muy alta productividad). La máquina se apoya en el sistema de navegación y las georreferencias del mapa de productividad, de modo que cuando la máquina pasa por una zona de baja productividad, la cantidad de fertilizante arrojada aumentará y seguirá ajustándose sucesivamente, dependiendo de la zona en la que se encuentre la máquina.

Algunos Modelos De IA Son Conocidos Por Su Fragilidad. Si Un Modelo Se Entrena Para Un Área De Interés, Puede No Funcionar En Otra. ¿Cómo Se Garantiza La Precisión En Diferentes Áreas De Interés?

Aleksey Kryvobok: El Índice de Productividad Combinado se basa en dos componentes: los resultados de los cálculos del índice de vegetación (NDVI) y los resultados de la modelización biofísica. Para entrenar un modelo personalizado para un mapa de productividad, tenemos que entrenar modelos separados para cada uno de estos dos componentes y luego combinar los resultados.

En cuanto al primer componente, es bastante sencillo. El índice se calcula a partir de imágenes de satélite multiespectrales, que captan el reflejo de una longitud de onda específica de la superficie de la Tierra. Con un cambio en las características de la superficie terrestre (por ejemplo, en otra región), estas características espectrales de reflejo cambian, así como el valor del índice. Las ecuaciones y los enfoques para calcular el valor del índice fueron desarrollados hace mucho tiempo y han sido validados, según diversos criterios, por muchas comunidades de científicos.

Oleksandr Dzhevaga: Sin embargo, la situación es ligeramente diferente con el segundo componente (modelización biofísica). Se usa un método bien conocido, el modelo WOFOST, que ha sido adaptado por los científicos de EOSDA con el fin de calcular mapas de productividad basados en el Índice de Productividad Combinado. Con la ayuda de nuestra adaptación de este modelo dinámico, podemos estimar el potencial de cultivo sin explotar, enriquecido por el conocimiento de las condiciones medioambientales y climáticas.

Aleksey Kryvobok: Esto es posible porque los parámetros de entrada del modelo son datos locales sobre los tipos de suelo, el clima y las características del desarrollo de los cultivos (datos fenológicos) en una región concreta. Esto significa que el modelo recibirá como datos de entrada parámetros específicos inherentes a un lugar concreto. Por ejemplo, el equipo de I+D de EOSDA estudia por separado los datos fenológicos de cada región agroclimática. Esto permite perfeccionar el algoritmo para que tenga en cuenta las especificidades de la región para la que se realiza el análisis.

El modelo también puede validarse y calibrarse más y mejor si se dispone de datos terrestres fiables en las regiones seleccionadas, como datos meteorológicos de estaciones meteorológicas terrestres, datos reales de rendimiento de los cultivos, mapas de suelos de alta resolución espacial, etc.

¿Cómo Se Puede Solicitar Mapas De Productividad Al Equipo De EOSDA?

Aleksey Kryvobok: Necesitamos obtener ciertos datos para empezar a entrenar el modelo de IA. En el caso de los mapas de productividad basados en el Índice de Productividad Combinado, necesitamos los siguientes datos:

1. Área de interés: Para comprobar la calidad y aceptabilidad de la simulación, se propone proporcionar un área de interés de, al menos, dos regiones con diferentes características climáticas y edafológicas.
2. Cultivos clave de la región y datos fenológicos de los cultivos objetivo para el área de interés (si están disponibles).
3. Datos sobre el tipo de suelo para el área de interés (si están disponibles).
4. Datos del terreno para el área de interés (si están disponibles).
5. Datos meteorológicos históricos (si los hubiese).

Oleksandr Dzhevaga: Estos mapas de productividad son proyectos personalizados y cada proyecto personalizado es único. Normalmente, los agrónomos que expresan su interés en la formación de un modelo, se ponen en contacto con nosotros y juntos discutimos cómo podemos implementar su proyecto de acuerdo con los requisitos. Cada desarrollo de una solución personalizada corre a cargo de nuestro equipo de 60 científicos de datos y especialistas en SIG internos, entre los cuales hay varios doctores y profesores. Tras la conversación inicial, se comparte con el cliente una propuesta detallada en la que se indican las estimaciones, la duración y los resultados previstos del proyecto.

¿Qué Tipos De Trabajo Pueden Incluir Estos Proyectos Personalizados?

Oleksandr Dzhevaga: Puedo destacar algunas de las tareas potenciales que podemos realizar en un proyecto personalizado de mapas de productividad.

• Perfeccionamiento de las estructuras automatizadas (modelización biofísica, datos meteorológicos, etc.)
• Análisis de la vegetación y las características climáticas del área de interés del cliente.
• Puesta en marcha y supervisión del funcionamiento de las estructuras automatizadas; por ejemplo, búsqueda, descarga y combinación de imágenes de satélite, cálculo del índice de productividad basado en datos satelitales.
• Modelización biofísica de los cultivos objetivo para el área y el periodo histórico requeridos.
• Combinación de los resultados de los cálculos y obtención del índice de productividad combinado.
• Posprocesamiento del resultado, búsqueda y corrección de anomalías (si las hubiera), rasterización de datos, clustering de datos y visualización.
• Generación de informes sobre los resultados del entrenamiento del modelo.

Estos son sólo algunos de los ejemplos de lo que hacemos con frecuencia en nuestros proyectos. Sin embargo, el potencial de un mapa de productividad personalizado puede llevarse aún más lejos.

¿Puede Nombrar Algún Caso De Éxito Reciente? ¿Cuáles Eran Los Objetivos Del Cliente Y Cómo Los Cumplimos?

Oleksandr Dzhevaga: Hace poco conseguimos entregar con éxito una prueba de concepto (PoC – proof of concept) para varios mapas de productividad para una importante empresa internacional de ciencia y tecnología agrícola de Estados Unidos. Tuvimos la oportunidad de colaborar directamente con su equipo de I+D y desarrollar los mapas de productividad en función de sus requisitos.

Aleksey Kryvobok: El principal objetivo del proyecto era confirmar la alta calidad y precisión de las soluciones de EOSDA en relación con los mapas de productividad generados mediante un enfoque combinado basado en datos satelitales y datos de modelos biofísicos. El resultado superó con éxito el proceso de validación interna llevado a cabo por el cliente, lo que resulta especialmente valioso dada la escala de su negocio.

Una Vez Entrenado El Modelo De IA Para Los Mapas De Productividad Personalizados, ¿Qué Es Lo Siguiente? ¿Cómo Puede Un Cliente Implementarlo En Sus Propios Procesos De Trabajo Y Software?

Aleksey Kryvobok: Depende del formato del resultado. Los mapas de productividad se pueden proporcionar para el área de interés seleccionada en dos formatos principales:

• Máscara vectorial, que dividirá el área de interés en zonas de productividad, según los valores del índice de productividad. Para obtener datos más precisos, lo más probable es que el área se divida en subdivisiones más pequeñas (campos / secciones), dentro de las cuales se mostrarán las zonas.
• Máscara ráster, con visualización del valor del índice de productividad por píxel. Estos índices para cada píxel pueden extraerse para su posterior análisis, si es necesario.

Oleksandr Dzhevaga: El cliente puede elegir el formato de datos deseado y visualizar los resultados con el software que usen (y, por ejemplo, consultar a sus clientes) o utilizar estos datos para experimentos y desarrollos posteriores (ya que proporcionamos datos por píxel muy detallados e instrucciones detalladas para interpretar correctamente los datos).

¿Cuál Es La Ventaja Competitiva De Estos Mapas De Productividad De EOSDA?

Oleksandr Dzhevaga: La ventaja competitiva de los mapas de productividad a nivel empresarial puede entenderse viendo las principales áreas de aplicación:

1. Los mapas de productividad pueden utilizarse para la siembra de tasa variable. Por ejemplo, se pueden sembrar más semillas en una zona más productiva y menos semillas en una zona menos productiva, de modo que se obtenga el máximo rendimiento.
2. Además, con su ayuda, los agricultores pueden definir zonas para el muestreo del suelo. El muestro del suelo es necesario para optimizar el crecimiento de las plantas y puede hacerse de diferentes maneras. Disponer de un mapa de productividad personalizado permite tomar un menor número de muestras, ya que no se extraen a lo largo de una cuadrícula, sino de zonas con distinta productividad. Este método es más preciso y rentable.
3. Estos mapas se utilizan para aplicar fertilizantes de potasio y fósforo. Estos fertilizantes deben aplicarse con menos frecuencia que los fertilizantes de nitrógeno (en función de la composición del suelo, el clima, etc.), ya que tardan más tiempo en ser eliminados del suelo, por lo que el análisis del campo se hace en iteraciones más largas.
4. Los mapas de productividad permiten realizar análisis sobre el potencial de determinados territorios en términos de productividad para distintos tipos de cultivos. Se trata de una herramienta importante para las empresas agrícolas que analizan la viabilidad de las inversiones y la entrada en distintos territorios para ampliar sus operaciones comerciales.

Aleksey Kryvobok: En lo que respecta a la parte algorítmica de nuestro modelo, nuestra ventaja es que lo entrenamos con dos o más conjuntos de datos de validación cruzada, lo que nos permite llegar a conclusiones analíticas más precisas.

Además, la madurez de nuestra tecnología es sin duda algo que nos permite superar a la competencia. Nuestros científicos de datos son experimentados creadores de redes neuronales que pueden dar forma a modelos matemáticos más allá de los enfoques convencionales conocidos en el mercado. Esos modelos también se enriquecen con la experiencia de nuestros científicos especializados en SIG, edafología y fenología.

Por cierto, nuestros descubrimientos más recientes en investigación han sido registrados en la Oficina de Patentes y Marcas de Estados Unidos, lo que constituye una prueba sólida del excepcional rendimiento de nuestro equipo científico. Concretamente, uno de nuestros descubrimientos registrados, que crea automáticamente mapas de vegetación, se utiliza en EOSDA Crop Monitoring.

El hecho de que podamos adaptar las redes neuronales a las necesidades de nuestros clientes es la razón por la que llamamos proyecto personalizado a estos mapas de productividad. Esencialmente, cualquier otro modelo puede convertirse en algo nuevo. Además, será reproducible: podemos ayudar a suavizar el código y los procesos para que un mapa de productividad personalizado aporte valor continuamente. No se trata de algo puntual.

EOSDA Tiene Mapas De Productividad Como Solución Personalizada Y Mapas De Productividad En EOSDA Crop Monitoring. ¿Cuál Es La Diferencia Entre Ambos?

Aleksey Kryvobok: Los mapas de productividad como solución personalizada se basan en el Índice de Productividad Combinado, que incluye datos de índice de vegetación derivados de imágenes por satélite, así como datos de modelización biofísica. Para crear mapas de productividad personalizados, tenemos que adaptar el modelo biofísico para que funcione en una ubicación geográfica específica (datos climáticos, de suelo, parámetros de cultivo, etc.) que esté relacionada con cada caso concreto. Por su parte, los mapas de productividad presentes en EOSDA Crop Monitoring se calculan automáticamente basándose en la media de los valores más altos del índice NDVI durante un periodo de tiempo especificado por el usuario. Esta operación puede llevar hasta un minuto. En resumen, la función Mapas de productividad de la plataforma es una solución rápida que todo el mundo puede utilizar para la aplicación de tasa variable de insumos y semillas, así como para definir ubicaciones para el muestreo del suelo. Los mapas de productividad como solución personalizada son más precisos, ya que se tienen en cuenta más parámetros, pero su elaboración requiere tiempo y experiencia humana.

¡Entendido! Por Último, ¿Cuáles Son Los Planes De EOSDA Para El Crecimiento De Los Mapas De Productividad Personalizados?

Aleksey Kryvobok: Tras el éxito de nuestra prueba de concepto, estamos seguros de que nuestra solución es viable y escalable. Hemos desarrollado un conjunto de metodologías que permiten a nuestro equipo calcular eficazmente el Índice de Productividad Combinado para grandes áreas. Por lo tanto, nuestros planes más próximos incluyen el entrenamiento de modelos personalizados en áreas más grandes que durante el proceso de la prueba de concepto, además de trabajar con el modelado biofísico de forma más extensa.

Oleksandr Dzhevaga: También existe la posibilidad de aumentar la precisión de la modelización, en particular, debido a los siguientes factores:

1. Estadísticas de rendimiento: Si un cliente puede proporcionar datos históricos sobre el rendimiento en regiones de interés, entonces esto podría refinar el modelo (debido a parámetros del modelo más fiables) y también acercarse a las unidades reales a kg/ha (pero no serán exactamente iguales, en cualquier caso).
2. Datos meteorológicos: Utilizando una malla meteorológica de alta resolución, e incluso mejores datos de estaciones terrestres (si el cliente dispone de ellos), podemos mejorar la precisión y la equidad de los resultados.
3. Datos sobre tipos de suelo y topografía: Estos también son factores que pueden mejorar la precisión, si se dispone de mapas digitalizados de alta resolución del suelo y del terreno que sean localmente precisos. Como alternativa, EOSDA podría mejorar potencialmente la resolución espacial de los mapas de suelos existentes.
4. Otros datos: Cualquier otro dato fiable disponible sobre el terreno que pueda convertirse en parámetros adicionales del modelo.

Aleksey Kryvobok: Así es, porque nuestro enfoque se basa en modelos biofísicos. Incluso si se trata de una planta exótica, si tenemos datos sobre ella (fenología y parámetros de cultivo), podemos trabajar con eso. La metodología desarrollada permite a EOS Data Analytics ampliar la lista de cultivos admitidos si es necesario, tanto si se trata de cultivos comunes como de cultivos raros.