Los agricultores son los últimos beneficiarios en un mundo de análisis de datos. En los ultimos años, La agricultura de precisión ha ayudado a los agricultores a tomar decisiones más inteligentes y a producir un mayor rendimiento. Pero la mayoría de los estudios hasta la fecha se han realizado en cultivos en hileras recolectados por grandes máquinas, posible gracias a los datos recopilados por drones y otros medios. Sin embargo, Richard Sowers, profesor de ingeniería de sistemas industriales y empresariales y matemáticas en la Universidad de Illinois en Urbana-Champaign, y un equipo de estudiantes ha desarrollado un algoritmo que promete brindar información valiosa a los agricultores sobre cultivos recolectados a mano.

Sembradoras, Junto con los estudiantes Nitin Srivastava y Peter Maneykowski han desarrollado un algoritmo que ayudará a optimizar la fuerza laboral de cultivos altamente perecederos recolectados a mano. Su papel Geolocalización algorítmica de la cosecha en agricultura seleccionada a mano, que aparecerá en Modelado de recursos naturales , presenta los resultados de un estudio realizado en la cosecha de parches de fresa en Crisalida Farms en Oxnard, Calif. Hace menos de un año, Sowers fue coautor de un artículo titulado, Cultivos especiales recolectados a mano 'maduros' para técnicas de agricultura de precisión, abordar el calendario y el transporte de dichos cultivos.

"Las fresas que pones en tu helado o cereal son por el momento recogidas por un equipo de aproximadamente 10 trabajadores, que en su mayoría ganan un salario por caja recolectada, "Los sembradores señalaron". Para el consumidor, es importante que las fresas sean de buena calidad y se vean bien ".

Según Sowers, las fresas que aparecen en las conchas de almejas que se encuentran en el mercado o en la tienda de abarrotes local se encuentran en gran parte en las mismas condiciones en las que se encontraban cuando se recogieron del campo. Se cargan en una caja, luego una caja más grande, luego en un palé y finalmente en un camión. Luego, el proceso se invierte en el mercado.

"Uno de los aspectos que me interesa es el hecho de que hay humanos involucrados en la recolección, ", Dijo Sowers." Al igual que el historial de navegación en Internet difiere de una persona a otra, en líneas similares, la capacidad de los trabajadores para cosechar fresas es diferente. Esto plantea la pregunta:¿cómo piensa sobre los datos en esa industria? Porque la variabilidad humana tiene un efecto enorme.

"Averiguar qué está sucediendo en el campo es una cuestión importante, ", agregó." Identificar que ciertas partes del campo están produciendo una cosecha de mayor o menor calidad puede ser valioso en la estrategia de cosecha ".

En lugar de requerir que un trabajador ingrese datos durante la cosecha, lo que ralentizaría el proceso, El equipo de Sowers pudo identificar el movimiento exacto de cada trabajador a través del rastreo GPS en un teléfono inteligente que cada uno llevaba consigo. Basado en esos datos, el equipo desarrolló un algoritmo para predecir la cantidad de cajas completadas.

Los datos prometen conducir en última instancia a técnicas de recolección más precisas. Por ejemplo, un conjunto de control de calidad ocurre típicamente en el borde del campo y, a menudo, hay una acumulación de trabajadores esperando en la cola. Más datos ayudarán a planificar mejor los mejores tiempos para proporcionar este control, así como programar carretillas elevadoras para recoger paletas y colocarlas en un refrigerador. El tiempo es esencial, ya que el clima cálido puede tener un efecto dramático en la calidad del producto.

"En este momento, solo estamos tratando de rastrear, "Sembradores anotaron." No se puede administrar lo que no se puede medir. Estamos tratando de medir lo que está sucediendo en el campo realmente en el campo, no en el borde del campo donde se están recopilando datos actualmente. Si sabe momento a momento cuánto se está recolectando, puedes programar mejor, reorganizar las cuadrillas de cosecha o cambiar las tareas ".

Sowers reitera aún más la importancia de esta medición para la industria porque un cálculo erróneo de la fuerza laboral podría eliminar por completo las ganancias.

"Si eso pasa, todos los nutrientes que entraron en él (agua, fertilizantes, nitrógeno, etc.) simplemente se desperdicia, ", dijo." Si puede asignar mejor los recursos y prevenir o reducir el tiempo que algunas de esas pilas de bayas están en el campo, eso es una victoria ".

El equipo demostró con éxito que estos comportamientos se pueden rastrear y analizar y planea regresar a California para perfeccionarlo.

"Hay una apreciación cada vez mayor por los datos en esta industria, ", Dijo Sowers." Me gustaría volver y hacer esto en una escala mayor para que podamos tratar de comparar esto con algo que está en un grado de producción. Para tener un impacto real, necesitamos comprender y procesar los datos a un nivel de certeza que sea tan bueno o comparable al que se necesita para tomar algunas decisiones para reasignar personas y optimizar el diseño de los campos ".