icon-category icon-close icon-closequote icon-down icon-download icon-evento icon-facebook icon-instagram icon-lang icon-linkedin icon-lupa icon-menu icon-next icon-openquote icon-paper icon-pluma icon-popular icon-prev icon-send icon-share icon-twitter icon-ultimo icon-video icon-youtube share-facebook share-gplus share-linkedin share-mail share-twitter

Mayo 2021 | Agtech

La revolución de los datos en la agricultura de precisión: aplicaciones en cultivos de vid

Paola Correa (PhD Ecología PUC, CAPES),
Solange Benítez (cPhD Agronomía PUC) y
Horacio Contreras (Austral Falcon).

 

Desde hace algunos años el mundo científico comenzó a usar grandes bases de datos para analizar patrones biológicos, lo que se conoce como ‘data science’ (Tukey 1962). La ciencia de datos unifica la estadística, la matemática y el análisis de datos con el fin de comprender y analizar fenómenos reales usando métodos, procesos y algoritmos para extraer conocimiento e información (Hayashi 1998, Dhar 2013). Esta ciencia se encarga de utilizar bases de datos, inventarios o repositorios climáticos online, resultados de otros investigadores u organizaciones y nuevas herramientas tecnológicas como imágenes satelitales o inteligencia artificial para contestar nuevas preguntas, aprovechando la gran cantidad de información recolectada por años. Esta nueva ciencia tiene como ventaja que un mismo grupo de datos se puede analizar de maneras distintas pudiendo ayudar a resolver diferentes preguntas. Pero ¿en verdad necesitamos la recopilación y análisis de datos para entender los problemas que se presentan día a día y más aún en la agricultura? Aparentemente la respuesta es que sí y la descubriremos a lo largo de este artículo.

La aplicabilidad de los datos para resolver problemas es evidente, un ejemplo de esto es a través de nuestros censos poblacionales y las emisiones de CO2 encontradas en la Antártida donde se relaciona el gran impacto que genera la humanidad en el cambio climático y cómo repercute esto en los cultivos agrícolas. Sin estos datos y su análisis, probablemente no se tendría una explicación causal a los efectos que cada vez y con más fuerza genera el cambio climático sobre los seres vivos. Es por esto por lo que diferentes ciencias se han enfocado en la recopilación y uso de los datos para aprovechar la gran cantidad que existen y analizar las problemáticas de una manera global, entendiendo cuales son los factores que afectan a los ecosistemas con el fin de poder predecir sus cambios y tomar decisiones al respecto. Ejemplos de la aplicabilidad de los datos son notorios en distintas disciplinas como la ecología en el análisis de especies en peligro de extinción o con brotes poblacionales (Lima et al. 2008), epidemiología en el análisis de enfermedades como el COVID-19 (Correa-Cuadros & Muñoz 2020), plagas forestales que destruyen hectáreas de bosques (Berryman 2012), pesquerías y sus colapsos (Lima et al. 2020), economía y procesos demográficos (Turchin & Korotayev 2020), antropología con análisis de sociedades antiguas (Lima et al. 2020), entre otros.

Uno de los objetivos primordiales de la ciencia de los datos es conectar la teoría con la información para entender muchos de los fenómenos que están ocurriendo actualmente, como el calentamiento global y sus efectos en los cultivos o los factores que afectan el rendimiento. En la agricultura tenemos el registro de patrones que se repiten, como los daños por plagas y enfermedades, factores climáticos que afectan el crecimiento de los frutos o prácticas que disminuyen la productividad. Así mismo, observamos el cambio de estas tendencias con el paso de las temporadas y muy seguramente algunas de ellas las hemos documentado en archivos, pero los datos no están disponibles y no son analizados; lo que nos hace perder todo el potencial de esa información para entender qué está pasando con nuestros cultivos y poder encontrar soluciones. Es por esto, que es necesario hacer un puente entre la teoría y práctica de la agricultura con el análisis de datos y modelos de predicción, para transformarla en una ciencia de precisión ya que estamos desaprovechando el uso de los datos para encontrar patrones, tendencias y/o relaciones olvidadas u omitidas.

La agricultura en Chile ha tardado en comenzar a implementar esta nueva ciencia y darle la importancia necesaria a los datos y su análisis mediante modelos de predicción de plagas y enfermedades, rendimiento de los cultivos, entre otros (Hawkins & Cornell 2008, Berryman 1999). En los cultivos tenemos una diversidad de problemas por resolver, desde qué pasa con los pequeños microorganismos del suelo y su impacto en estos, hasta qué factores influyen en el rendimiento de las cosechas. Para esto debemos utilizar toda la información disponible y digitalizarla sistemáticamente o empezar a recolectarla para poder analizarla a través de modelos que nos ayuden a entender el impacto de los factores climáticos, nutricionales, fisiológicos o de riego que afectan a las plantaciones, para poder explicarlos y predecirlos. Esto con el fin último de brindar al agricultor una herramienta preventiva para evitar pérdidas en su producción y entender a cabalidad su cultivo. Esta es la razón por la que el monitoreo constante y la digitalización de los datos es fundamental para reconstruir la historia y verla con lentes más grandes que puedan representar el ciclo de vida de un cultivo y no una fotografía instantánea.

Las plantaciones de uva para vino en Chile tienen una extensión promedio de 40.017 hectáreas (Figura 1) acorde con el Catastro Vitícola Nacional SAG (2019), de las cuales en el 2019 se produjo un billón de litros de vino (Figura 2). Las cifras anteriores establecen la importancia de las plantaciones de vid para el país y como las pérdidas en su producción afectan al producto interno bruto chileno. El uso de ‘data science’ en este tipo de cultivos puede ayudar a mejorar el rendimiento gracias a la implementación de modelos predictivos. Un ejemplo sobre cómo podemos empezar a usar los datos en los cultivos de uva, es el análisis del rendimiento donde lo recomendable es que estos valores sean tomados cada temporada y por cuartel para tener un registro histórico del fundo. En este caso podemos usar la productividad por hectáreas para entender porque disminuye o aumenta a lo largo de los años, pero si además incluimos esta información junto con datos climáticos provenientes de una estación meteorológica cercana podremos identificar los factores que influyen en el rendimiento y así poder predecir las cosechas futuras. Esto nos permite no solo saber cuánta uva para vino se produce al año sino también relacionar los factores climáticos (temperatura, lluvia, humedad, etc.), biológicos (plagas y enfermedades), nutricionales (macro y micronutrientes) y riego, ayudando a que el productor gane más dinero. Esta es la intención de recopilar y usar datos para contestar nuevas preguntas, sin necesidad de invertir más presupuesto o monitoreo.

Figura 1. Superficie plantada de uva para vino en Chile 1994-2018. Fuente: Catastro Vitícola Nacional SAG.

Otro ejemplo sencillo, es como el uso de datos de plagas y enfermedades en vino pueden ser usados en modelos matemáticos para predecir sus infestaciones y evitar las pérdidas en la producción. Por lo que, si contamos con un monitoreo anual de las plagas en conjunto con variables climáticas podremos evaluar las interacciones entre el clima, las plagas y el cultivo para determinar los factores primordiales que las aumentan o disminuyen y a su vez controlar y/o evitar el daño que generan.

Si bien, los fundos de viñedos reconocidos en el país son de amplia extensión, el uso de las estaciones meteorológicas para conocer las variables climáticas que afectan al cultivo todavía no es tenido en cuenta, a pesar de que existen estaciones cercanas a la mayoría de estos, por lo que se esta desaprovechando información útil para la comprensión fenológica y fisiológica de las plantaciones de vid. Teniendo esto en cuenta, seria recomendable que cada fundo contara con su propia estación climática o con sensores más simples, ya que la precisión de los datos es mucho más certera en cada uno de los cuarteles con su microclima y tipología de paisaje que con las estaciones conectadas a Agromet (Red Agroclimática chilena). Por otro lado, a pesar de los costos que pueden estar relacionados con la inversión y la calibración anual de las estaciones meteorológicas, la información que ofrecen permite incluirla en modelos predictivos para identificar las variables más importantes que afectan al rendimiento de la vid, influyendo en la toma de decisiones para las próximas temporadas. Por ejemplo, la evaluación de la precipitación, humedad y temperatura máxima o grados día en el cultivo permite entender como estos factores pueden estar afectando la programación de riego y la manutención del depósito acuífero de cada cuartel, repercutiendo en el rendimiento final. Otro ejemplo es como el análisis de la temperatura mínima y máxima entrega herramientas para el entendimiento de la influencia de las oleadas de calor de diciembre a enero sobre el peso de los racimos finales (ACCA 2020).

El impacto de las variables climáticas en la producción de uva vinífera es notable al influir en los procesos morfo-fisiológicos de la planta y a su vez como factores preponderantes para la presencia de plagas y enfermedades. Esto es evidenciando en el estudio de Fernández et al. (2020) quienes evaluaron el incremento de la temperatura por año en Chile implementando modelos predictivos. Sus resultados mencionan que debido al incremento de la temperatura se espera una reducción de porciones de frío en la zona central y en el norte para el futuro, lo que puede causar repercusiones negativas en algunos cultivares de vid que requieren porciones de frío para su fisiología, pudiendo ser crítico para garantizar óptimos rendimientos. Este tipo de investigaciones y hallazgos dan cuenta de la importancia del monitoreo constante y detallado de los factores climáticos en los fundos y por tanto la retribución del costo-beneficio de invertir en adecuadas estaciones climáticas que estén calibradas y otorguen precisión en los datos para incluirlos en modelos predictivos e incrementar la producción de toneladas por hectáreas.

Figura 2. Producción de vino en Chile 1991-2019. Fuente: Catastro Vitícola Nacional SAG.

La complejidad de los agroecosistemas como las plantaciones de vid vinífera es mucho más fácil analizarla mediante modelos matemáticos simples que representen lo que queremos evaluar. Con estos modelos, se intenta cuantificar cada interacción o fenómeno en el cultivo para entender las causas detrás y poder predecirlas. Por lo que la implementación del uso de datos en las plantaciones de vid pretende comprender la dinámica de estos sistemas basados en ecuaciones o simulaciones computacionales que nos permitan obtener resultados e interpretarlos rápidamente, abordando preguntas que son difíciles de responder mediante experimentos u observaciones en campo, ya que estos necesitan de presupuesto y tiempo. Además, ante este periodo de contingencia mundial este tipo de soluciones tecnológicas pueden ser una alternativa esencial en tiempos de post pandemia, ya que de manera remota se pueden realizar acercamientos a la plantación sin una necesidad imperiosa de depender tanto del trabajo por completo de jornales. Esta sin duda es una estrategia fundamental en la administración de los viñedos e inclusive de otro tipo de plantaciones, donde las metodologías de captación de datos proponen más allá de la inversión, la optimización de gastos y rentabilidad en este tipo de actividades operacionales en la plantación.

Actualmente, Austral Falcon entrega una solución tecnológica diseñada para digitalizar los procesos que actualmente se realizan de forma manual en la industria agrícola, implementando el uso de tecnología computacional como Machine Vision, Artificial Intelligence, Machine Learning y modelos matemáticos para optimizar la toma de decisiones a partir de información cuantitativa adquirida de forma sistemática y con alta precisión (Figura 3, australfalcon.com). Siendo una buena alternativa para que las plantaciones implementen el uso de los datos mediante la implementación de diversas tecnologías y herramientas para la toma de decisiones en campo a través de información basada en inteligencia artificial e imágenes satelitales, multiespectrales y de tipo RGB para evaluar grandes extensiones de hectáreas y estimar indicadores de estrés hídrico, detección de variables climáticas críticas en las diferentes etapas fenológicas y el rendimiento de las plantas de vid.

Figura 3. Imágenes multiespectrales, térmicas y estimación de cosecha a través del número de racimos con imágenes satelitales, son ahora las nuevas metodologías métricas que ayudan a la toma de decisiones en campo.

Necesitamos que los productores de uva hagan parte de ‘la cultura de la observación y un monitoreo eficiente’ donde se empiecen a tomar en cuenta los datos históricos climáticos y agronómicos para estimar en temporadas venideras el rendimiento de los cultivos y esclarecer los puntos críticos que los afectan para la toma de buenas decisiones, como lo son los periodos de riego, esquemas de fertilización, podas invernales relacionadas con la fertilidad de las yemas, floración e inicio de desarrollo de las bayas y cosecha. Para lograr este objetivo, es indispensable el apoyo multidisciplinario entre productores de uva vinífera, científicos de datos, ingenieros agrónomos, ecólogos, bioquímicos entre otros, con el fin último de definir un calendario agrícola para el desarrollo de un programa de Manejo Integral no solo de enfermedades y plagas sino también de factores abióticos como la sequía, con el fin de disminuir las pérdidas en el cultivo. Es por esto por lo que el mensaje es claro: hay que iniciar una política de captación de datos y organizar los datos históricos que tal vez ya se tienen, para empezar a entender lo que sucede en las plantaciones de uva y sobre todo compartirlos para poder analizarlos y proponer soluciones para garantizar en cada temporada altos rendimientos. Sabemos que la toma y la digitalización u organización de estos muchas veces puede significar tiempo y dinero, pero a futuro la recopilación de datos permitirá analizar de manera profunda las plantaciones, logrando incrementar las ganancias al predecir las dinámicas del crecimiento de las bayas y el peso de los racimos.

REFERENCIAS

ACCA (Academia Chilena de Ciencias Agronómicas). 2020. Cambio climático: efectos sobre la producción hortofrutícola y estrategias de adaptación en Chile. 74 pp., (Ed. Juan Izquierdo),

www.academiaagronomica.cl

Berryman (1999). Principles of Population Dynamics and Their Application.  Stanley Thornes.

Berryman, A. A. (2012). Forest insects: principles and practice of population management. Springer Science & Business Media.

Correa-Cuadros, J. P., & Muñoz-Rodríguez, M. A. (2020). SARS-CoV. 2/COVID-19 en Colombia: tendencias, predicciones y tensiones sobre el sistema sanitario. Revista de Salud Pública, 22(2), 1-9.

Dhar, V. (2013). Data science and prediction. Communications of the ACM, 56(12), 64-73.

Fernandez, E., Whitney, C., Cuneo, I. F., & Luedeling, E. (2020). Prospects of decreasing winter chill for deciduous fruit production in Chile throughout the 21st century. Climatic Change, 159(3), 423–439. https://doi.org/10.1007/s10584-019-02608-1

Hawkins, B. A., & Cornell, H. V. (Eds.). (2008). Theoretical approaches to biological control. Cambridge University Press.

Hayashi, C. (1998). What is data science? Fundamental concepts and a heuristic example. In Data science, classification, and related methods (pp. 40-51). Springer, Tokyo.

Lima, M., Canales, T. M., Wiff, R., & Montero, J. (2020). The interaction between stock dynamics, fishing and climate caused the collapse of the jack mackerel stock at Humboldt Current Ecosystem. Frontiers in Marine Science.

Lima, M., Ernest, S. M., Brown, J. H., Belgrano, A., & Stenseth, N. C. (2008). Chihuahuan Desert kangaroo rats: nonlinear effects of population dynamics, competition, and rainfall. Ecology, 89(9), 2594-2603.

Lima, M., Gayo, E. M., Latorre, C., Santoro, C. M., Estay, S. A., Cañellas-Boltà, N., … & Chr. Stenseth, N. (2020). Ecology of the collapse of Rapa Nui society. Proceedings of the Royal Society B, 287(1929), 20200662.

Tukey, John W. (1962). «The Future of Data Analysis». The Annals of Mathematical Statistics 33 (1): 1-67.

Turchin, P., & Korotayev, A. (2020). The 2010 Structural-Demographic Forecast for the 2010–2020 Decade: A Retrospective Assessment.