Explorando el impacto del cambio climático y la tecnología en la predicción del rendimiento de los cultivos

La agricultura no solo es fundamental para la alimentación, también es una fuente importante de empleo y economía. Se estima que el 30% de la gente en el mundo trabaja en el sector agrícola y los informes de los últimos años prevén que la población mundial crezca de forma notoria, especialmente en África. Así pues, la predicción del rendimiento de los cultivos se vuelve vital si se quiere garantizar la seguridad alimentaria mundial.

El cambio climático y el rendimiento de los cultivos

Que la agricultura prospere depende, en gran medida, del clima. La cantidad de dióxido de carbono atmosférico (CO2), así como los cambios en la temperatura o la frecuencia e intensidad de las condiciones meteorológicas extremas tienen un impacto severo en el rendimiento de los cultivos. Estas y otras situaciones son cada vez más frecuentes debido al cambio climático que se está produciendo a nivel global. Mientras que, en unos pocos lugares, el rendimiento de algunos cultivos ha mejorado, en general el rendimiento de los cultivos se ha visto afectado de forma negativa.

Los elevados niveles de CO2 afectar negativamente al rendimiento de los cultivos. Pese a que el CO2 es un elemento necesario para las plantas, se ha demostrado que un nivel excesivo está asociado a una reducción del contenido de proteínas y nitrógeno en ciertas plantas, lo que, sin duda, empeora la calidad de la producción. La falta de agua es otro de los problemas más habituales derivados del cambio climático. La falta de lluvias reduce la disponibilidad de humedad de las plantas, que no pueden desarrollarse de forma adecuada. Fenómenos extremos, como las inundaciones, también afectan a las plantas, que las dañan y favorecen la aparición de ciertos hongos y patógenos perjudiciales para la salud de las plantas.

Asimismo, las enormes oscilaciones en la temperatura suponen un gran problema para la producción de alimentos. Cuando la temperatura no llega o supera el rango de temperaturas óptimas para el desarrollo de la planta, ésta sufre deficiencias. Dichas deficiencias pueden ir desde un crecimiento menor del esperado y una producción deficiente hasta la imposibilidad de producir frutos o, incluso, la muerte de la propia planta.

Estimar el rendimiento mediante aprendizaje automático

La predicción del rendimiento de los cultivos consiste en estimar la cantidad de cosechas que se producirán en una zona determinada en función de diversos factores, como el tipo de suelo, las prácticas de gestión de los cultivos o las condiciones meteorológicas de la región. Para ello, el software actual se apoya en el denominado aprendizaje automático (ML), una rama de la inteligencia artificial (IA) que permite que los ordenadores aprendan a obtener información y tomen decisiones sin que hayan sido programados explícitamente para dicha tarea.

Esto se consigue entrenando a los modelos con datos cuidadosamente seleccionados y etiquetados, de modo que luego sean capaces de reconocer especies, identificar patrones y crear relaciones entre grandes cantidades de datos para, posteriormente, hacer predicciones. Existen diversos tipos de algoritmos de aprendizaje automático, cada uno con sus ventajas y desventajas.

Los algoritmos de regresión son los más fáciles de entender y aplicar. Se introduce un conjunto de datos de entrada y se obtiene el resultado. Por su parte, los algoritmos de árbol de decisión son más complejos y se basan en una estructura en forma de árbol para modelizar las decisiones y sus posibles consecuencias. El algoritmo comienza con una decisión basada en el factor más relevante de entre todos los datos de entrada y continúa modelizando decisiones con el resto de factores hasta obtener una previsión del rendimiento.

Por último, las redes neuronales artificiales son el modelo más complejo y, al mismo tiempo, el más adecuado para predecir el rendimiento, gracias a su estructura y funcionamiento, muy similar al de un cerebro humano. Esta evolución respecto a los algoritmos mencionados anteriormente, mucho más básicos, hace que puedan manejar conjuntos de datos más grandes e identificar patrones y relaciones más complejas.

Predicción del rendimiento de los cultivos de EOSDA

El modelo de predicción del rendimiento de los cultivos de EOSDA se basa en la fusión de dos tipos diferentes de modelos de predicción del rendimiento: biofísico y estadístico. El modelo biofísico se basa en la recopilación de datos relacionados con las plantas y el campo, como análisis del suelo, el estado de los cultivos, datos fenológicos, etc., a los cuales se añaden datos del índice LAI (Índice de Área Foliar). El modelo estadístico se basa en datos predictores (precipitaciones, temperatura, humedad, etc.) y datos antiguos de predicción del rendimiento. La combinación de ambos modelos da como resultado la solución personalizada de EOSDA, que además de integrar los datos mencionados antes y más, va actualizando el modelo con ayuda de imágenes de satélite de alta resolución, obteniendo una precisión de hasta el 95%.

La solución de EOSDA para predecir el rendimiento ya ha sido usada con éxito con diversos cultivos y explotaciones en países como Ucrania o Canadá. La predicción del rendimiento de los cultivos no solo es útil para empresas agrícolas y agricultores individuales, también gobiernos de todo el mundo acuden a este tipo de soluciones para tomar decisiones relacionadas con la importación y exportación de alimentos o para estimar los precios que se alcanzarán en el mercado en una región o en todo el país. Los investigadores también usan la predicción del rendimiento para ver cómo se comportan nuevos cultivos híbridos en diferentes condiciones meteorológicas.

Todos los esfuerzos en desarrollar y mejorar soluciones de predicción del rendimiento de los cultivos favorecerán la seguridad alimentaria mundial y ayudará a los agricultores a conocer qué cultivos plantar cada temporada y cómo mejorar las prácticas de gestión agrícola.

Leé también: Argentina mejoró en la lucha contra el lavado de dinero en la última década