Una de cinéfilos: la Matrix de la agricultura

Como en la película, Matrix es un ambiente de relación entre cosas y sucesos creado y controlado artificialmente. ¿Cómo se relaciona esto con el agro? ¿Cómo puede ayudar el machine learning a producir más y mejor?

Por: Permingeat, H.

Cuando hablamos de Machine Learning (ML, o aprendizaje automático) nos referimos al estudio científico de algoritmos y modelos estadísticos utilizados por máquinas para realizar diferentes tareas con precisión. De hecho se lo considera como un área dentro de la inteligencia artificial. Pero, ¿qué hacen los algoritmos de aprendizaje automático? Construyen modelos estadísticos basados en datos disponibles, definidos como "datos de entrenamiento", para tomar decisiones y hacer predicciones.

Por otra parte, cuando hablamos de aprendizaje profundo (DL o Deep Learning) nos estamos refiriendo a una rama de los algoritmos de aprendizaje automático que utilizan varias estructuras para obtener progresivamente información de alto nivel a partir de datos sin procesar. La mayoría de los modelos de aprendizaje profundo se basan en redes neuronales artificiales (ANN), específicamente redes neuronales convolucionales (Lomma y col., 2020).

¿Cómo se vincula el ML con la agronomía? La agricultura moderna tiene que hacer frente a varios desafíos, entre los que se incluyen la creciente demanda de alimentos, el cambio climático, el agotamiento de los recursos naturales, la alteración de las opciones dietéticas y las preocupaciones por la seguridad y la salud. Como medio para abordar estos problemas existe una necesidad urgente de optimizar la eficacia de las prácticas agrícolas y en simultáneo aliviar la carga ambiental. Fueron estos dos elementos esenciales los que impulsaron la transformación de la agricultura en una agricultura de precisión. Esta modernización de la agricultura tiene un gran potencial para asegurar la sostenibilidad, la máxima productividad y un medioambiente seguro.

En general, la agricultura inteligente se basa en cuatro pilares clave para hacer frente a estas crecientes necesidades: una gestión óptima de los recursos naturales, la conservación del ecosistema, el desarrollo de servicios adecuados y la utilización de tecnologías modernas.

La adopción de las tecnologías de la información y comunicaciones (conocidas como TICs), es condición sine qua non de la agricultura moderna. Las TICs pueden incluir sistemas de información de gestión agrícola, redes y sensores inalámbricos para varios objetivos, cámaras asociadas a software de imágenes de alta definición, drones, satélites de bajo costo, servicios en línea y vehículos guiados automatizados. El gran volumen de datos que se produce mediante tecnologías digitales, generalmente conocido como "big data", necesita grandes capacidades de almacenamiento, además de la necesidad de editar, analizar e interpretar. Las técnicas de procesamiento de datos convencionales son incapaces de satisfacer las demandas en constante crecimiento de la agricultura inteligente, lo que se transforma en un obstáculo para extraer información valiosa del campo.

Con el objetivo de dar respuesta y brindar una solución a este problema, surge el machine learning (ML, aprendizaje automático), que aprovecha el crecimiento exponencial de la capacidad de potencia computacional (Benos y col., 2021).

Las aplicaciones del ML en la agricultura pueden agruparse inicialmente en cuatro categorías, en las que se centran la investigación científica y el desarrollo tecnológico en diversos porcentajes:

Manejo de cultivos en un 60% (incluye la predicción de rendimiento, la detección de enfermedades, la detección de malezas, el reconocimiento de cultivos y la calidad).

Manejo del agua en un 10% (con foco en la calidad, la contaminación, los riesgos de salud y la irrigación).

Manejo del suelo en otro 10% (con foco en la degradación, la erosión, las propiedades físicas, químicas y biológicas, el sensado y el mapeo).

Manejo del ganado en el 20% restante (con abordaje de la producción ganadera en todas sus dimensiones y el bienestar animal) (Liakos y col., 2018). Es de destacar que dichas contribuciones científicas provienen mayoritariamente de Asia (China e India), Estados Unidos, Australia, Alemania, España y Francia, en ese orden (Benos y col., 2021).

Sharma y col. (2020) discuten la implementación del ML en la agricultura desde una visión más amplia, al incorporar las cadenas agroalimentarias más allá de la producción en sí. Los autores incluyen las cadenas de suministro agrícola desde la preproducción y la producción (considerando los cuatro aspectos descriptos en el párrafo anterior), el almacenamiento, el procesamiento, la venta minorista y la distribución antes de que el producto final llegue a los consumidores.

Son muchos los beneficios del ML en la toma de decisiones para la cadena de suministros agrícolas, según revela este estudio. Si se considera el alto costo de la inversión en tecnologías digitales y desarrollo de capacidades de aprendizaje automático, es deseable que los formuladores de políticas consideren subsidios para las inversiones en tecnologías digitales y las hagan más accesibles para lograr un uso extendido.

Otros autores destacan ciertas herramientas que complementan las existentes en el campo de la Inteligencia Artificial (IA) y el ML, como el caso de la Internet de la Cosas (conocida como IoT), que busca llegar con la agricultura de precisión e inteligente a la tercera revolución agrícola (Sharma y col., 2021).

Estas herramientas, algunas aún en etapa de desarrollo, prometen contribuir en la agricultura del futuro, impulsando una producción de alto rendimiento en el marco de sustentabilidad que hoy se reclama. A partir de las experiencias y las evidencias existentes, sería importante que se destinen más recursos en el desarrollo de estas tecnologías a nivel local, enfocadas en nuestra geografía, para seguir estando en la frontera de la aplicación del conocimiento en el mundo de la agronomía.

Estas herramientas, algunas aún en etapa de desarrollo, prometen contribuir en la agricultura del futuro, impulsando una producción de alto rendimiento en el marco de sustentabilidad que hoy se reclama.

REFERENCIAS

• Benos L, Tagarakis AC, Dolias G, Berruto R, Kateris D and Bochtis D. (2021). Machine Learning in Agriculture: A Comprehensive Updated Review. Sensors, 21, 3758.

• Liakos KG, Busato P, Moshou D, Pearson S, and Bochtis D. (2018). Machine Learning in Agriculture: A Review. Sensors, 18: 2674.

• Lomma LN, Shu j, Amshi AT. (2020). Application of Machine Learning in Agriculture: Future Scope. International Research Journal of Engineering and Technology (IRJET), 7: 1557- 1563

• Sharma A, Jain A, Gupta P, and Chowdary V. (2021). Machine Learning Applications for Precision Agriculture: A Comprehensive Review. IEEE Access, 9: 4843-4873.

• Sharma R, Kamble SS, Gunasekaran A, Kumar V, Kumar A. (2020). A systematic literature review on machine learning applications for sustainable agriculture supply chain performance. Computers and Operations Research 119: 104926.