¿Cuándo debo comenzar a aplicar fertilizante de tasa variable y dónde? ¿Mis campos del sur tienen un problema de plagas o enfermedades?

¿Los retrasos en la siembra debido a las fuertes lluvias reducirán los rendimientos de los cultivos regionales? ¿Qué pasa con el verano caluroso y seco debido a El Niño? ¿Qué campos necesitan ser segados debido al estrés de los cultivos como las heladas, el calor o la sequía?

Las tecnologías digitales se pueden utilizar para mitigar y predecir pérdidas de producción con datos en tiempo real. Se pueden utilizar para intervenciones de gestión como la fertilización, el control de plagas, la detección de estrés, la gestión del riego y el control de malas hierbas antes de que afecten negativamente a la productividad de los cultivos. La información precisa sobre la distribución espacial y la dinámica de crecimiento de los cultivos es esencial para evaluar los riesgos potenciales para la seguridad alimentaria y también es fundamental para evaluar las tendencias del mercado a nivel regional, nacional e incluso mundial.

El Dr. Andries Potgieter, profesor asociado de la Universidad de Queensland, investigador de la Alianza de Queensland para la Agricultura y la Innovación Alimentaria, es el autor principal de un nuevo artículo publicado en in silico Plantas que revisa qué hay de nuevo y qué sigue en el mundo de las tecnologías digitales para cultivos. Según Potgieter, “Este documento destaca los avances realizados en las tecnologías de observación de la tierra, aprendizaje automático y computación en la nube, específicamente durante los últimos 5 años. Además, analiza la fusión de tales tecnologías con sistemas biofísicos específicos basados ​​en el conocimiento que conducirán a aplicaciones más avanzadas dentro de la agricultura. Dichos sistemas físicos predictivos integrados tienen el potencial de mitigar el impacto de los extremos climáticos y el cambio en los sistemas de producción agrícola. Específicamente, en Australia, donde los impactos proyectados de los climas futuros en la producción de alimentos son más preocupantes para la sostenibilidad y la resiliencia de las industrias para hacerle frente”.

Los autores primero revisan las tecnologías de detección remota y proximal. Actualmente, hay más de 140 satélites de observación de la Tierra (EO) en órbita, que llevan sensores que miden regiones visibles, infrarrojas y de microondas del espectro electromagnético de la vegetación terrestre. La teledetección permite monitorear cultivos en grandes áreas a lo largo del tiempo y con datos repetidos precisos. Estos datos se pueden usar (entre otras cosas) para discriminar entre diferentes tipos de cultivos (p. ej., trigo, cebada, garbanzos y canola) y cuantificar el área de cultivo a nivel regional y de paisaje.

Los avances recientes en las tecnologías de sensores han llevado a un rápido aumento en el uso de drones o vehículos aéreos no tripulados (UAV) que llevan sensores proximales. Estos sensores se implementan a nivel de campo y tienen una resolución espacial y temporal más alta que los sensores EO remotos. Estos datos se pueden utilizar para monitorear el tipo de cultivo, el dosel del cultivo y para cuantificar los parámetros biofísicos y estructurales del dosel (p. ej., índice de área foliar, transpiración, pigmentos fotosintéticos). La información de ambas plataformas puede ser integrado para clasificaciones de cultivos a escala más fina.

El documento presenta estudios que utilizan sensores remotos y vehículos aéreos no tripulados junto con los cultivos que se están evaluando, sensores y algoritmos. También describe los pros y los contras, así como las aplicaciones de los tipos de sensores y las plataformas de sensores que se usan comúnmente en la agricultura.

Una vez recopilados los datos, se utilizan algoritmos para clasificar los datos de teledetección. Tradicionalmente, los enfoques basados ​​en el conocimiento son desarrollados explícitamente por expertos que utilizan ecuaciones basadas en la teoría. El avance en el poder de cómputo (por ejemplo, computación en la nube e imágenes de alta resolución) ha llevado al desarrollo del aprendizaje automático y enfoques de aprendizaje profundo más complejos. El aprendizaje automático crea modelos directamente a partir de datos sin depender de ecuaciones predeterminadas. Las fortalezas del aprendizaje automático incluyen la capacidad de manejar datos de alta dimensionalidad y mapear clases con características muy complejas. Los autores dan ejemplos específicos de varias técnicas de aprendizaje automático y aprendizaje profundo.

Los modelos de cultivos ofrecen el poder predictivo de los datos de teledetección. Los modelos de cultivo permiten predicciones de rendimiento y etapas de desarrollo fenológico para escenarios climáticos actuales y/o proyectados. La combinación de datos RS en tiempo real con modelos de cultivos puede proporcionar información en tiempo real sobre el crecimiento y desarrollo de los cultivos y predecir la fenología y el rendimiento. Las herramientas resultantes son más importantes que nunca, ya que la variabilidad y el cambio climático tienen una influencia cada vez mayor en la producción de cultivos y la seguridad alimentaria.

Los servicios de información basados ​​en datos de teledetección ahora están disponibles para el público a través de plataformas comerciales. El documento proporciona ejemplos de estas plataformas y la información que proporcionan.

¿Cuál es el futuro de las tecnologías digitales en la agricultura?

El crecimiento y desarrollo de los cultivos son principalmente una función de las interacciones entre el genotipo, el ambiente y el manejo (G × E × M). Por lo tanto, estas interacciones son la clave para obtener mayores ganancias en el rendimiento de los cultivos a nivel mundial y garantizar la seguridad alimentaria en el futuro. El ambiente no se puede cambiar, pero se pueden plantar diferentes cultivares (genotipos) ajustando las prácticas de manejo (por ejemplo, fechas de siembra, distancia entre hileras, densidad de semillas) adaptadas al ambiente y al clima futuro.

Los agricultores saben que no todos los campos son iguales: unos siempre producen más, otros siempre menos, mientras que otros campos varían en su capacidad de producción de un año a otro. “La planificación para una temporada promedio no tiene sentido, ya que ninguna temporada de lluvia es igual en una granja en un año determinado”, dijo el Dr. Potgieter. Además, la capacidad de tomar decisiones informadas a partir de estimaciones de rendimiento regional está limitada por esta variabilidad en G × E × M a escala local.

Hasta ahora, las tecnologías y los enfoques integradores se veían limitados a la hora de aprovechar eficazmente todas las dimensiones de los datos disponibles para lograr una mayor precisión en la fenología de los cultivos o la estimación de su tipo. El profesor adjunto Potgieter lidera actualmente un proyecto nacional (apoyado por la Corporación de Investigación y Desarrollo de Granos y la Universidad de Queensland) que explora nuevas fronteras en la aplicación y/o el desarrollo de nuevas métricas integradoras que puedan ayudar a resolver eficazmente este complejo problema. En concreto, nuestro objetivo es aprovechar todas las dimensiones (temporal, espacial, espectral y fisiológica) de los datos disponibles para lograr una mayor precisión en la fenología de los cultivos o la estimación de su tipo. Esto dará como resultado una solución integrada que permitirá el desarrollo, la validación y la escalabilidad precisos de herramientas predictivas para el mapeo fenológico de cultivos (G) a escala de campo (M), en extensas áreas de cultivo (E). Trabajando en estrecha colaboración con socios de la industria en el ámbito digital, se prevé que los productores tengan acceso a estas herramientas digitales que les ayudarán a tomar decisiones más informadas, enfocadas en G × E × M para cada campo, desde el principio. De esta manera, se reducirán los costos de insumos, se optimizará la gestión de riesgos y se mejorará la rentabilidad de toda la explotación agrícola, afirma el Dr. Potgieter.