Predicción del rendimiento precisa para mejorar la gestión agrícola
Tome mejores decisiones con la predicción del rendimiento de los cultivos de EOSDA, que utiliza el aprendizaje automático para mejorar y respaldar la planificación, la previsión y la inteligencia agrícola.
- Dos modelos: estadístico (basado en datos históricos) y biofísico (basado en la fenología).
- Información a nivel de campo o regional para la planificación de la producción, el abastecimiento y el desarrollo de políticas.
- Resultados personalizados en formato vectorial o de tabla, con entrega opcional en la plataforma o mediante la API.
Ventajas de la solución de predicción del rendimiento de EOSDA
Apoyo a la toma de decisiones en la industria agrícola
- Planificación de la producción y el abastecimiento.
- Optimización de la cadena de suministro.
- Mejora de la gestión de los bancos agrícolas y optimización de los recursos.
- Evaluación y gestión del riesgo de préstamos y seguros agrícolas.
- Supervisión del cumplimiento de los programas agrícolas.
Previsión y supervisión estratégicas
- Análisis de mercado e inteligencia agrícola.
- Creación de estadísticas e inventarios agrícolas.
- Evaluación y control de las materias primas para bioenergía.
- Seguridad alimentaria nacional y creación de políticas específicas para el sector.
- Planificación del uso del suelo y gestión sostenible de los recursos.
Enfoque y metodología
Modelo estadístico de predicción del rendimiento
Se basa en un conjunto de datos históricos, principalmente en datos de rendimiento de temporadas anteriores.
Se entrena con datos históricos y predice el rendimiento de la temporada actual combinando las tendencias pasadas con los parámetros actuales.
Modelo biofísico de predicción del rendimiento
Se basa en los parámetros físicos del cultivo y sus características fenológicas (variedad, etapas de crecimiento, demanda de agua, etc.).
Puede predecir el rendimiento para una fecha específica sin datos históricos y se puede aplicar repetidamente a lo largo de la temporada.
Resultados y formatos previstos en el proyecto
- Archivo Excel/CSV o capa vectorial (archivo en formato ESRI Shapefile, GeoJSON, KML, GPKG) que contenga el ID o el nombre del campo/distrito y el rendimiento previsto en la unidad de medida requerida (por ejemplo, kg/ha, bushel/ha) y otros metadatos específicos necesarios.
- Nivel de detalle:
- A nivel de campo (los resultados se proporcionan por campo para facilitar la estimación de la producción)
- A nivel regional (los resultados se proporcionan por cada unidad administrativa, como provincia, estado, región, distrito, etc.)
- Estadísticas agregadas por límites administrativos de regiones, distritos, etc. en formato XLSX o CSV, si se solicita.
- Informe del análisis o nota de interpretación de resultados, si fuese necesario.
*Entrega de datos en otro formato, incluso a través de la API.
Datos necesarios para un proyecto de predicción del rendimiento de los cultivos
Datos que debe proporcionar el cliente
- Área de interés (AOI) en formato tabla (XLSX/CSV) o vectorial (KML, ESRI Shapefile, GPKG, GeoJSON).
- Lista de cultivos objetivo.
- Calendario de cultivo y datos de gestión agrícola, si están disponibles.
- Estadísticas de rendimiento del AOI de los últimos 3-5 años, si están disponibles.
- Mapas del suelo y datos de composición del suelo en el AOI, si están disponibles.
Datos preparados por EOSDA
- Datos fenológicos.
- Datos meteorológicos.
- Mapas del suelo.
- Imágenes satelitales.
- Estadísticas de rendimiento para el AOI obtenidos de fuentes de datos abiertas.
Parámetros estadísticos de predicción del rendimiento y etapas del proyecto
Esta opción solo se puede utilizar cuando se dispone de un conjunto de datos lo suficientemente grande para el entrenamiento, especialmente datos históricos de rendimiento. El resultado del modelado biofísico puede ser uno de esos parámetros.
Recopilación de los datos disponibles para crear un conjunto de datos de predicción: estadísticas históricas de rendimiento, clima, tipos de suelo, datos satelitales, etc.
Selección del modelo de aprendizaje automático más adecuado (por ejemplo: regresión lineal/múltiple, Random Forest, XGBoost, etc.).
Entrenamiento del modelo basado en el conjunto de datos históricos disponibles y el algoritmo seleccionado.
Aplicación del modelo entrenado para predecir el rendimiento de la temporada actual en el cultivo objetivo. Validación de los resultados y calibración del modelo, si fuese necesario.
Parámetros biofísicos de predicción del rendimiento y etapas del proyecto
Esta opción funciona incluso sin datos históricos de rendimiento para el AOI y el tipo de cultivo, y se puede aplicar varias veces por temporada para obtener resultados informativos.
Análisis de datos fenológicos, investigación del perfil del cultivo y recopilación de datos disponibles para la temporada objetivo (datos meteorológicos, características del suelo, gestión agrícola, etc.).
Calibración del modelo (WOFOST adaptado). Asimilación del LAI (opcional, para aumentar la variabilidad).
Simulación de parámetros de productividad biológica (TAGP, WSO, humedad relativa del suelo, consumo total de agua y otros).
Actualización de datos (incluida la previsión meteorológica) cada 14 días para aumentar la precisión.