Algoritmo de inteligencia artificial utilizado para predecir el rendimiento agrícola

Se predice que el mercado de la agricultura de precisión alcanzará los 12.900 millones de dólares para 2027. Con este aumento, hay una necesidad de soluciones de análisis de datos sofisticadas que puedan guiar las decisiones de gestión en tiempo real. Un nuevo método ha sido desarrollado por un grupo interdisciplinario de la Universidad de Illinois, y tiene como objetivo procesar de manera eficiente y precisa los datos de la agricultura de precisión.

Nicolas Martin es profesor asistente en el Departamento de Ciencias de los Cultivos en Illinois y coautor del estudio.

“Estamos tratando de cambiar la forma en que se lleva a cabo la investigación agronómica. En lugar de establecer un pequeño parcela de campo, ejecutar estadísticas y publicar los promedios, lo que estamos tratando de hacer implica al agricultor de manera más directa. Estamos ejecutando experimentos con la maquinaria de los agricultores en sus propios campos. Podemos detectar respuestas específicas del sitio a diferentes entradas. Y podemos ver si hay una respuesta en diferentes partes del campo”, dice.

“Desarrollamos una metodología utilizando el aprendizaje profundo para generar predicciones de rendimiento. Incorpora información de diferentes variables topográficas, conductividad del suelo, así como tratamientos de nitrógeno y tasa de siembra que aplicamos en nueve campos de maíz del Medio Oeste.”

El equipo utilizó datos de 2017 y 2018 del Proyecto de Gestión de Granjas Intensivas en Datos para ayudar a desarrollar su enfoque. En ese proyecto, se aplicaron semillas y fertilizante de nitrógeno a diferentes tasas en 226 campos. Esos campos estaban en diferentes áreas del mundo, incluyendo el Medio Oeste, Brasil, Argentina y Sudáfrica. Las imágenes de satélite de alta resolución fueron proporcionadas por PlanetLab, y se emparejaron con mediciones en tierra para predecir el rendimiento.

Los campos se separaron digitalmente en cuadrados de 5 metros. La computadora recibió datos sobre el suelo, la elevación, la tasa de aplicación de nitrógeno y la tasa de siembra para cada cuadrado, y luego comenzó a aprender cómo el rendimiento en ese cuadrado se determina por la interacción de los factores.

Para completar su análisis, los investigadores se basaron en una red neuronal convolucional (CNN). Una CNN es un tipo de aprendizaje automático o inteligencia artificial. Mientras que algunos tipos de aprendizaje automático hacen que las computadoras agreguen nuevos datos a patrones existentes, las redes neuronales convolucionales no tienen en cuenta patrones existentes. Las CNN examinan los datos y aprenden los patrones que son responsables de organizarlos, y funcionan de manera similar a cómo los humanos organizan la información a través de redes neuronales en el cerebro. El enfoque de la CNN pudo predecir el rendimiento con una alta tasa de precisión, y se comparó con otros algoritmos de aprendizaje automático y técnicas estadísticas tradicionales.

“No sabemos realmente qué está causando las diferencias en las respuestas del rendimiento a las entradas en todo el campo. A veces, la gente tiene la idea de que un cierto lugar debería responder muy fuerte al nitrógeno y no lo hace, o viceversa. La CNN puede detectar patrones ocultos que pueden estar causando una respuesta”, dice Martin. “Y cuando comparamos varios métodos, descubrimos que la CNN estaba funcionando muy bien para explicar la variación del rendimiento.”

El uso de la inteligencia artificial para analizar datos de la agricultura de precisión es un campo nuevo, pero es uno que está creciendo. La agricultura es una de las industrias principales que será drásticamente cambiada por la inteligencia artificial, y el uso de ella está aumentando. Según Martin, este experimento es solo el comienzo del uso de las CNN en una variedad de aplicaciones diferentes.

“Eventualmente, podríamos utilizarla para llegar a recomendaciones óptimas para una combinación determinada de entradas y restricciones del sitio.”