Galego
Maquinaria cada vez máis autónoma, programas que ofrecen información relevante para mellorar a produtividade dos cultivos ou modelos que proporcionan predicións determinantes para garantir a colleita. Son exemplos de como a intelixencia artificial está á orde do día na agricultura.
Algúns dos casos nos que a intelixencia artificial proporcionou respostas efectivas no campo abordáronse durante un recente encontro dixital coordinado pola firma Hispatec Analytics, experta na xestión de dato. Este encontro, que serve de preludio do Foro para o impulso da transformación dixital do sector agroalimentario (Datagri), que este ano será virtual, contou con expertos involucrados en proxectos de marcas comerciais como John Deere ou do consorcio de centros de investigación Cgiar. Coñecemos dous casos concretos onde a intelixencia artificial transformou os métodos de cultivo.
Reducir o risco de deriva na aplicación de fitosanitarios
“Hoxe en día o agricultor está sometido a producir máis con menos recursos e a dixitalización é a resposta a este reto”, explica Federico Pérez, director xeral da firma Pulverizadores Fede, que no 2018 asinou un acordo global con John Deere para implementar e distribuír os equipos de pulverizado para cultivos leñosos de alto valor, entre os que se atopan os viñedos, os cítricos ou as oliveiras.
No campo da aplicación de produtos fitosanitarios, a intelixencia artificial permitiu avances como un substancioso aforro de custos coa identificación das malas herbas. “Detectar as malas herbas posibilita un aforro en herbicidas de entre o 70 e o 90%, ademais de poder realizarse xa a unha velocidade media de 20 quilómetros por hora”, detalla Pérez.
Aínda que o 80% da maquinaria agrícola céntrase en cultivos extensivos, o avance da intelixencia artificial en maquinarias destinadas para cultivos leñosos como o viñedo tamén está a avanzar de forma notable nos últimos anos. Un dos exemplos neste campo é o equipo pulverizador autónomo H3O, que incorpora a intelixencia artificial para atallar a deriva, as perdas de produto que non chega á planta senón que se perde diseminado no ambiente e que poden supor o 50% do produto. Estímase que as perdas por deriva supoñen de media entre 30.000 e 50.000 euros para os agricultores cuxo gasto medio se sitúa próximo entre os 60.000 e os 100.000 euros.
Conseguiron reducir nun 50% a deriva ó adaptar a pulverización á árbore e ás condicións meteorolóxicas
Neste sistema, a intelixencia artificial permitiulle axustar os atomizadores que pulverizan o produto de maneira que se adapten á árbore e ao seu estado para reducir as perdas. Así, a máquina recoñece non só a planta senón as diferentes partes como a copa e o tronco para axustar a súa aplicación. “Os algoritmos permítennos saber a cantidade de aire e caldo necesario para aplicar o tratamento de forma optimizada para cada árbore”, detalla Pérez.
Esta tecnoloxía posibilitou reducir nun 50% a deriva, segundo confirmou un estudo do Instituto Valenciano de Investigacións Agrarias (Ivia). “Nalgunhas leiras, os agricultores comezaron a reducir entre un 10 e un 15% a cantidade de químicos”, concretan desde Pulverizadores Fede. Ademais, a empresa estima nun ano o prazo de retorno do investimento destes equipos.
Prazo de amortización da maquinaria en función do tipo de cultivo.
Agricultura sen agricultores?
Ante o avance das solucións de maquinaria, cada vez máis autónoma, que a intelixencia artificial está a proporcionar xorde a pregunta de se camiñamos cara a unha agricultura onde o papel do agricultor quede reducido ao mínimo ou chegue a eliminarse. Enrique Serrano director xeneral da firma española Tinámica, especializada na análise de Big Data e intelixencia artificial, teno claro: “Claramente non. Todas estas ferramentas son un complemento. Non poden substituir á intelixencia humana, ao sentido común e á capacidade de contextualizar do ser humano, xa que traballan dunha maneira estanca”, aclara.
“Non se debe caer na trampa de que esta tecnoloxía substituirá ao coñecemento dos agricultores, senón que estas ferramentas compleméntano”, reivindica o enxeñeiro agrónomo Daniel Jiménez. Unha opinión similar manexa Federico Pérez, que valora o aproveitamento da intelixencia artificial como un paso evolutivo máis cara a unha agricultura con menos postos de traballo, pero máis cualificados.
Incrementar a produtividade do millo a pesar das adversidades meteorolóxicas
Na rexión de Córdoba, no norte de Colombia, os agricultores deben facer fronte a importantes inundacións que veñen seguidas de campañas con secas extremas, que deixan no campo perdas millonarias. Ante esta situación, o goberno colombiano, o Cgiar,consorcio de centros de investigación para incrementar a seguridade alimentaria; así como asociacións de produtores locais sumaron esforzos nos últimos anos para incrementar a produtividade de cultivos básicos como o millo. Un dos expertos que participou neste proxecto foi o enxeñeiro agrónomo Daniel Jiménez, que leva 15 anos aplicando a intelixencia artificial en cultivos tropicais en países en vías de desenvolvemento.
Os datos proporcionados polos agricultores e técnicos en Colombia foron fundamentais para os resultados do proxecto.
“O noso obxectivo era lograr patróns e modelos explicativos que nos axudasen a mellorar as técnicas de cultivo e non tanto preditivos”, detalla Jiménez. Con esta premisa comezaron a recompilar datos sobre o solo, a sementeira da colleita, o manexo do cultivo ou o clima. Ao principio tiveron acceso ós datos dunhas 400 leiras de cultivo que pronto se transformaron en 1.000 e que na actualidade acadan as 5.000.
“Nunha agricultura que cada vez busca ser máis sostible, estas ferramentas permítennos pescudar como reducir a contaminación e os custos de produción”: Daniel Jiménez, enxeñeiro agrónomo
Nestes modelos, dispor de datos que acheguen información é unha das tarefas fundamentais para lograr extraer conclusións, onde o recheo de datos que faltan, a eliminación e concreción da información centra case o 80% do traballo. “Unha vez temos as bases de datos organizadas, pasamos a analizalos para saber como esta información se pode volver en algo útil para o agricultor”, explica. Máis aló da análise dos datos, a aplicación de métricas sobre estas variables permitiulles extraer recomendacións que fosen de utilidade para incrementar a produción.
En concreto, conseguiron un axuste en parámetros como o aporte de fósforo e a densidade de plantas, que foi determinante para os cultivos. Os datos indicáronlles que nestas plantacións chegaban a aplicarse uns 40 quilos de fósforo por hectárea, mentres que as métricas determinaron que o ideal sería un aporte de 15 quilos por hectárea para optimizar a produción e aforrar custos. En canto á densidade de plantas, a análise determinou que lograr entre 60.000 e 75.000 plantas por hectárea permitiría axustar a produción e optimizala. “Nunha agricultura que cada vez busca ser máis sustentable ambientalmente estas ferramentas permítennos pescudar como reducir a contaminación e os custos de produción”, reivindica o experto.
Conseguiron un incremento da produción do 20%, a pesar dos vendavais e as inundacións
Os modelos explicativos proporcionaron información máis en detalle, que permitiu elaborar recomendacións, pero Jiménez destaca que, en todo este proceso, é fundamental a achega humana dos coñecementos dos agricultores, adquiridos ao longo de anos de experiencia. “O modelo permítenos saber a cantidade exacta de fósforo e a densidade máis adecuada, pero ambos se sustentan xa nas sospeitas que tiñan os agricultores. Estes modelos permitíronnos afinar e concretar máis”, explica.
Con estes cambios lograron un incremento da produción do 20%, a pesar dos vendavais e as inundacións que sofren no país. En condicións climáticas máis favorables a optimización permitiría mesmo un incremento da produción do 40%, segundo concretou Jiménez. A diferenza entre aplicar estas recomendacións supuxo incrementar os rendementos até 2,5 toneladas por hectárea, o que se traduce nun aumento de supón 5 millóns de dólares para a rexión.
Rendementos do cultivo do millo en función da implementación que fixeran das recomendacións proporcionadas.
