Estimación Del Rendimiento Del Algodón: Prueba De Concepto
Durante siglos, los agricultores han querido conocer el posible rendimiento de sus campos para elegir el cultivo más rentable y minimizar los riesgos que causan diversos factores negativos. Actualmente, la estimación y predicción precisas del rendimiento pueden hacerse de varias maneras, una de las cuales es utilizando inteligencia artificial y algoritmos de aprendizaje automático. EOS Data Analytics (EOSDA), proveedor mundial de análisis de imágenes de satélite impulsados mediante IA, ha desarrollado una solución personalizada para la predicción del rendimiento de los cultivos. Esta herramienta permite a la empresa predecir con exactitud el volumen de la cosecha utilizando la teledetección y el aprendizaje automático (ML).
EOSDA ha completado recientemente un proyecto personalizado para garantizar que este modelo también funciona con el algodón. Era necesario ajustar el modelo de predicción del rendimiento a las características específicas de este cultivo, por lo que el equipo reunió conjuntos de datos, se arremangó y se puso manos a la obra. Así es como lo hicieron.
| Problema | Predecir el rendimiento del algodón en Texas no era tarea fácil, ya que el modelo carecía de datos. El equipo de la EOSDA utilizó los conjuntos de datos que tenía para cinco condados. |
| Solución | El equipo eligió el modelo de regresión de bosque aleatorio (Random Forest), recopiló todos los datos que pudo encontrar y ajustó el modelo de predicción del rendimiento para que predijera con precisión el rendimiento del algodón. |
| Resultado | Consiguieron predecir el rendimiento con una precisión del 80%. El modelo tiene potencial de desarrollo. |
Descripción: Producción De Algodón En Texas
El algodón se utiliza en todas partes, desde una camiseta hasta un billete de un dólar. Ocupa hectáreas y hectáreas de tierra cultivable, y Estados Unidos es el tercer país productor de algodón y uno de los mayores exportadores del mundo . En Estados Unidos, Texas es responsable del 40% de la producción de algodón . En este estado, muchas generaciones de agricultores han cultivado este producto durante siglos.
Sin embargo, la situación ha cambiado. Las olas de calor, la sequía y otros fenómenos naturales crean condiciones duras para el cultivo del algodón, provocando pérdidas de miles de millones de dólares a agricultores y empresas agrícolas . No hablamos sólo del impacto directo en el rendimiento de los cultivos, sino también de la alteración del calendario de siembra, el agotamiento de los recursos hídricos de la región y el aumento de la prevalencia de plagas y enfermedades.
Debido a la intensidad del cambio climático, los agricultores se ven obligados a adoptar nuevas prácticas agrícolas, invertir en costosos sistemas de riego y obtener herramientas que puedan predecir con exactitud las sequías o mostrar sus efectos para poder actuar lo antes posible. Una herramienta que puede ayudar a los productores de algodón a combatir las consecuencias del cambio climático es la estimación y predicción del rendimiento.
Los datos de predicción del rendimiento realmente pueden ayudar de muchas maneras. Pueden garantizar el uso eficiente de los recursos, mejorar la planificación financiera y mantener el buen funcionamiento de la cadena de suministro. Una previsión exacta puede ayudar a reducir riesgos, orientar las estrategias de mercado y cumplir los contratos. En general, esto conduce a operaciones más fluidas, una mejor salud financiera y una posición más fuerte en el mercado.
El equipo de científicos de EOS Data Analytics decidió comprobar su modelo de predicción de rendimiento con el algodón para garantizar su precisión.
Problema: Datos Insuficientes Para La Predicción Del Rendimiento Del Algodón
El equipo científico necesitaba probar el modelo de predicción de rendimiento para asegurarse de que funcionaba para el algodón con una precisión satisfactoria en distintos condados, dadas las diferencias en las condiciones de crecimiento de los cultivos y la disponibilidad de datos. Dado que el modelo requería muchos conjuntos de datos diferentes, el equipo combinó datos meteorológicos históricos, información del calendario de cultivos, estadísticas de rendimiento de los cultivos y otra información relevante.
No había suficientes datos para Texas. Había información sobre cuatro o cinco años de datos de cosechas anteriores de varios condados, pero no era lo bastante precisa para aplicar nuestro modelo actual. El proyecto iría mucho mejor si el conjunto de datos se basara en campos con las fechas de siembra conocidas.
Con los datos en la mano, sin embargo, los objetivos de la prueba del modelo con el algodón eran los siguientes:
- Comprobar la precisión del modelo;
- Encontrar posibles desafíos y formas de mejorar el modelo para el área de interés (AOI);
- Tomar una decisión fundamentada sobre una futura continuación del proyecto.
Solución: Ajuste Del Modelo
La investigación se centró en la estimación del rendimiento de los cultivos en 2023. El área de interés, según los datos disponibles en la Oficina de Campo de Texas, parte de la Oficina de Campo Regional de las Llanuras del Sur, perteneciente al USDA, fueron cinco condados centrales productores de algodón: Lubbock, Hale, Lynn, Crosby y Nueces. Estas zonas se eligieron por su importante producción de algodón y la disponibilidad de imágenes de satélite de alta calidad. Sus fronteras pueden verse en los mapas siguientes.
Los datos utilizados en el proyecto incluían estadísticas de rendimiento de los cultivos, datos meteorológicos, datos del calendario de cultivos y otros conjuntos de datos, como el resultado ráster y la capa de los límites del campo.
Las estadísticas de rendimiento de los cultivos, como se ha mencionado, se sacaron del Servicio Nacional de Estadísticas Agrícolas del USDA (USDA’s National Agricultural Statistics Service) para los condados objetivo de 2020 a 2022.
La información meteorológica, sin embargo, requería datos para el mismo periodo dentro de la temporada de cultivo del algodón de la plataforma Copernicus Climate Data Store. Estos datos incluían datos medios mensuales de temperatura a nivel de 2 m, evaporación, radiación solar, temperatura de la superficie del suelo a dos niveles (0-7 cm y 7-28 cm), radiación solar, cantidades totales de precipitación y humedad del suelo a cuatro niveles (0-7 cm, 7-28 cm, 28-100 cm y 100-289 cm).
Los datos del calendario de cultivo estaban disponibles públicamente en el calendario de cultivo del algodón en Texas y sus condados. Se analizó el período vegetativo de marzo a octubre para cada temporada de 2020 a 2023. También se utilizaron otros conjuntos de datos, como la producción de algodón a nivel de campo. Estos conjuntos de datos incluían el resultado ráster de la clasificación de cultivos y la capa vectorial con los límites de campo detectados para toda el área de interés, ambos realizados anteriormente por el equipo de EOSDA.
Para estimar el rendimiento del algodón en los condados objetivo de este proyecto, el equipo científico, junto con los equipos de ingeniería y análisis de datos, eligió el modelo de regresión de bosque aleatorio. Se eligió este modelo por la eficacia de sus cálculos y su capacidad para trabajar con datos de entrada agregados limitados. La regresión de bosque aleatorio es un algoritmo de aprendizaje supervisado y una técnica de agregación (bagging) que utiliza el aprendizaje por conjuntos para la regresión en el aprendizaje automático: los árboles de un bosque aleatorio se ejecutan en paralelo sin interactuar durante su construcción. Los principales predictores del modelo fueron los datos meteorológicos de las estaciones de crecimiento agregados a nivel mensual y los datos de suelo y fenología para el periodo 2020-2023. La variable objetivo fueron los datos estadísticos de rendimiento a nivel comarcal para los mismos años.
En este proyecto se emplearon operaciones matemáticas sencillas para calcular la producción. En concreto, el valor de rendimiento obtenido para cada comarca se multiplicó por el número de acres de cada campo detectado. El número de acres se determinó a partir de la máscara vectorial con los límites de los campos. Así pues, la producción de un campo concreto en un condado específico se calculó multiplicando su superficie en acres por el rendimiento en libras por acre de ese condado.
El proyecto se llevó a cabo en varias etapas principales, cada una de ellas con detalles esenciales. El equipo de EOS Data Analytics empezó analizando las características climáticas de la zona, la vegetación y el terreno de la zona. A continuación, se recopilaron los datos de entrada necesarios, incluidas las estadísticas de rendimiento de los cultivos y los datos meteorológicos. A continuación, se entrenó el modelo utilizando datos de las temporadas 2020-2022. El paso final fue la modelización del rendimiento para estimar la producción de algodón de cada condado objetivo en 2023.
El paso de cálculo de la producción incluyó varias tareas de posprocesamiento. El equipo filtró los resultados de la clasificación de cultivos por condado objetivo, excluyendo todos los cultivos no objetivo y manteniendo sólo el algodón. A continuación, estos resultados se vectorizaron y se combinaron con los datos de detección de límites de campo. Después, calcularon la superficie de cada campo de algodón detectado en los condados objetivo y realizaron cálculos de producción para cada campo de acuerdo con la metodología descrita anteriormente.
El último paso consistió en preparar las capas vectoriales finales, crear mapas de visualización y compilar el informe del proyecto.
El modelo en sí no es único, pero el número y la calidad de los predictores difieren de una empresa a otra. Los datos utilizados para construir la conexión del modelo con nuestro objetivo de valor de rendimiento previsto son diferentes en cada caso.
Resultado: Precisión En La Predicción Del Rendimiento Del Algodón
El informe del proyecto mostraba de forma gráfica los resultados, como puede verse en las imágenes siguientes.
La precisión de la muestra de prueba fue de aproximadamente el 80% y se evaluó utilizando el enfoque de validación cruzada. Este nivel de precisión puede considerarse satisfactorio para los modelos de estimación y predicción del rendimiento. El proyecto demostró que EOS Data Analytics automatiza los procesos de aprendizaje automático e inteligencia artificial, ahorrando tiempo y recursos que, normalmente, se emplean en la recopilación y el análisis manual de datos. Esto ayuda a nuestros socios a seguir siendo competitivos en el mercado de las materias primas.
También existen ciertas perspectivas en la ampliación del modelo. El enfoque utilizado puede ampliarse a zonas más grandes, si es necesario, o reducirse con la cantidad adecuada de datos. Cuantos más predictores utilice el modelo, más preciso será. Por ejemplo, si se añaden la temperatura, la humedad relativa del suelo, la producción total o del suelo, las necesidades totales de agua y el consumo, la precisión del modelo de predicción del rendimiento aumentará.
Aunque en este proyecto no se utilizaron modelos biofísicos ni asimilación de datos satelitales, como WOFOST, la incorporación de tales modelos podría ser un paso futuro para mejorar la precisión y servir como predictor adicional para la estimación del rendimiento.
Somos una empresa de datos satelitales, así que en este modelo también podemos utilizar índices medios de vegetación, como el Índice de Vegetación de Diferencia Normalizada (NDVI), el Índice de Área Foliar (LAI) o el índice de agua de diferencia normalizada. A estos índices sólo se puede acceder desde arriba, con el análisis de imágenes de satélite.
La estimación del rendimiento del algodón es posible en Texas, como demuestra este caso de estudio. Los agricultores y las empresas agrícolas pueden predecir fácilmente el nivel de sus cosechas utilizando servicios como la predicción del rendimiento de los cultivos. Las perspectivas de desarrollo de este modelo son enormes, por lo que nuestro equipo está impaciente por probar más opciones.
Acerca del autor:
Kseniia Kunakh cuenta con más de 6 años de experiencia como redactora en diversos campos, como negocios, educación y medios de comunicación. Sus experiencias previas como directora de desarrollo en una ONG ecológica ucraniana y como reclutadora de talento en una empresa tecnológica la convierten en una combinación perfecta de persona apasionada por las innovaciones ecotecnológicas y capaz de comunicar sobre ellas con facilidad.
Artículos recientes
Mildiu Velloso: Cómo Identificarlo Y Controlarlo
El control del mildiu velloso requiere una identificación y una actuación tempranas. Las estrategias de prevención específicas tienen un impacto en la sostenibilidad económica de la agricultura.
Cultivo De Yuca: De La Siembra A La Cosecha
El cultivo de yuca funciona bien incluso en suelos pobres y condiciones secas, inadecuadas para la mayoría de cultivos. Es posible conseguir un rendimiento alto incluso en condiciones no ideales.
Tizón Foliar: Cómo Tratar Esta Amenaza Adecuadamente
El éxito a la hora de controlar el tizón foliar depende de la comprensión de las causas, signos y dinámica de la enfermedad. La tecnología y las medidas proactivas ayudan a proteger su campo.