Con algunos informes que predicen que el mercado de la agricultura de precisión alcanzará los $ 12,9 mil millones para 2027, Existe una necesidad creciente de desarrollar soluciones sofisticadas de análisis de datos que puedan guiar las decisiones de gestión en tiempo real. Un nuevo estudio de un grupo de investigación interdisciplinario de la Universidad de Illinois ofrece un enfoque prometedor para procesar de manera eficiente y precisa datos agrícolas de precisión.

"Estamos tratando de cambiar la forma en que las personas llevan a cabo la investigación agronómica. En lugar de establecer una pequeña parcela de campo, ejecutando estadísticas, y publicando los medios, lo que estamos tratando de hacer involucra al agricultor de manera mucho más directa. Estamos realizando experimentos con 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 Nicolás Martín, profesor asistente en el Departamento de Ciencias de los Cultivos de Illinois y coautor del estudio.

Él añade, "Desarrollamos metodología usando deep learning para generar predicciones de rendimiento. Incorpora información de diferentes variables topográficas, electroconductividad del suelo, así como tratamientos con nitrógeno y dosis de semillas que aplicamos en nueve campos de maíz del Medio Oeste ".

Martin y su equipo trabajaron con datos de 2017 y 2018 del proyecto Data Intensive Farm Management, en el que se aplicaron semillas y fertilizantes nitrogenados en diferentes proporciones en 226 campos en el Medio Oeste, Brasil, Argentina y Sudáfrica. Las mediciones en tierra se combinaron con imágenes de satélite de alta resolución de PlanetLab para predecir el rendimiento.

Los campos se dividieron digitalmente en cuadrados de 5 metros (aproximadamente 16 pies). Datos sobre suelo, elevación, tasa de aplicación de nitrógeno, y la tasa de semilla se introdujo en la computadora para cada cuadrado, con el objetivo de aprender cómo interactúan los factores para predecir el rendimiento en ese cuadrado.

Los investigadores abordaron su análisis con un tipo de aprendizaje automático o inteligencia artificial conocido como red neuronal convolucional (CNN). Algunos tipos de aprendizaje automático comienzan con patrones y le piden a la computadora que ajuste nuevos bits de datos en esos patrones existentes. Las redes neuronales convolucionales son ciegas a los patrones existentes. En lugar de, toman fragmentos de datos y aprenden los patrones que los organizan, similar a la forma en que los humanos organizan nueva información a través de redes neuronales en el cerebro. El proceso de CNN, que predijo el rendimiento con alta precisión, también se comparó con otros algoritmos de aprendizaje automático y técnicas estadísticas tradicionales.

"No sabemos realmente qué está causando las diferencias en las respuestas de rendimiento a los insumos en un campo. A veces, la gente tiene la idea de que un lugar determinado debería responder con mucha fuerza al nitrógeno y no es así". o viceversa. La CNN puede detectar patrones ocultos que pueden estar provocando una respuesta, ", Dice Martin." Y cuando comparamos varios métodos, descubrimos que la CNN estaba trabajando muy bien para explicar la variación del rendimiento ".

El uso de inteligencia artificial para desenredar los datos de la agricultura de precisión es todavía relativamente nuevo, pero Martin dice que su experimento simplemente roza la punta del iceberg en términos de las aplicaciones potenciales de CNN. "Finalmente, podríamos usarlo para generar recomendaciones óptimas para una combinación determinada de entradas y limitaciones del sitio ".