Hacia un crecimiento basado en los datos

El control del clima suele basarse en mediciones de lo que está ocurriendo y de lo que ha ocurrido para responder en consecuencia. Sin embargo, hoy en día, los agricultores buscan cada vez más información sobre posibles escenarios futuros para poder responder con previsión. El análisis de datos puede ser una valiosa contribución a sus esfuerzos.

LetsGrow.com es una empresa que participa activamente en la aplicación práctica de los datos. Muchos cultivadores conocen su plataforma de comparación de datos climáticos y otros datos de registro de la empresa. Es innegable que esta oferta ha desempeñado un papel fundamental en su éxito. Sin embargo, con el paso del tiempo, LetsGrow.com ha desplazado su énfasis hacia las soluciones Data Driven Growing.

Los cultivadores se han vuelto muy capaces de averiguar por qué sus cultivos reaccionan visiblemente de determinadas maneras, y de responder adecuadamente. Con la gran cantidad de datos que ahora se capturan, tanto los consultores de cultivos como los cultivadores se han preguntado si también podrían calcular de forma predictiva las reacciones de sus cultivos.

¿Cómo afectarán a la planta las configuraciones actuales del invernadero, combinadas con las condiciones climáticas exteriores previstas, en lo que respecta, por ejemplo, a la producción, las probabilidades de que aparezcan enfermedades fúngicas, la gestión de la energía o la influencia de las diferencias de temperatura dentro del invernadero? ¿Cómo podría adaptar mejor la configuración climática y el riego al desarrollo del cultivo y a las necesidades de la planta?

Los cultivadores prefieren comprobar por adelantado qué opción ofrece resultados óptimos y qué configuraciones son necesarias para alcanzar el resultado deseado. Los programas habituales de Excel, al intentar procesar las enormes cantidades de datos disponibles, parecen quedarse cortos a la hora de descubrir realmente lo que está dentro del ámbito de lo posible.

Modelos de cultivos

Los grandes modelos fisiológicos de plantas explicativos de los cultivos son una necesidad básica en lo que respecta al cultivo predictivo y basado en datos. Esto permite a LetsGrow.com aprovechar los elementos básicos de su concepción: proporcionar a los horticultores modelos de plantas desarrollados por la WUR. Se trata de una decisión consciente de enseñar a los fisiólogos de plantas técnicas de datos en lugar de dejar que los especialistas en datos se ocupen de las aplicaciones hortícolas.

Peter Hendriks explica el porqué de esta decisión: "Aunque es posible amontonar todos los datos disponibles y empezar a sacar conclusiones a partir de ellos, se correría el riesgo de cometer errores garrafales. Los conocimientos necesarios de horticultura y fisiología vegetal no son fáciles de adquirir. Antes de ser capaz de cultivar eficazmente en función de los datos, hay que entender muy bien tanto los procesos que tienen lugar dentro del invernadero como la fisiología de la planta". Aunque, por supuesto, hay matemáticos y científicos de datos especializados trabajando en segundo plano para procesar eficazmente los datos.

Datos valiosos

La cantidad de datos disponibles es igual a la cantidad de datos disponibles para el análisis. Hendriks: "Así que les insto a que no se precipiten pensando 'estos datos no me sirven ahora mismo'. Guárdenlo todo. Debería ver los asombrosos análisis que somos capaces de realizar a partir de datos de registro de empresas capturados durante cinco años o más. Datos que los cultivadores nunca habían utilizado, porque aún no conocían bien su potencial.

La sofisticación de los datos contribuye en gran medida a la fiabilidad de los análisis. Así pues, merece la pena plantearse aumentar la frecuencia de recuento del ajuste y la tosquedad si, por ejemplo, sólo se hace una vez a la semana para obtener una indicación general.

Hay mucho más que registrar y calcular, pero el resultado depende en gran medida de la precisión de los datos disponibles. Sólo los datos precisos pueden analizarse con eficacia y ofrecen conclusiones fiables. "Así que, por favor, no calibre sus sensores y equipos de medición con el único fin de regular directamente el clima. Una calibración incorrecta también supone la pérdida de datos valiosos para su posterior análisis. Si no tiene cuidado, siempre, haga lo que haga, seguirá arrastrando esos errores en sus datos".

En lugar de confiar ciegamente en los consejos generados por ordenador a partir de los análisis de datos, es bueno darse cuenta de que todos los cambios en los datos nos cuentan una historia. "Cuando ocurre algo realmente fuera de lo normal, suele haber una razón muy lógica detrás. Con el análisis de datos, es crucial encontrar primero esa razón o se corre el riesgo de sacar conclusiones incorrectas de esos datos. En pocas palabras: ¿podría un suceso externo ofrecer una explicación válida, por ejemplo, los daños causados por una tormenta o un brote de enfermedad?".

Equilibrio

Los análisis de datos son un complemento bienvenido al conocimiento humano del cultivo. Cada cultivador tiene sus "pulgares verdes" y su propia interpretación de los datos de cultivo, que aplica para regular el clima del invernadero. Sin embargo, especialmente las grandes empresas, así como los cultivadores que trabajan juntos dentro de una asociación, se enfrentan con regularidad a diferencias en el rendimiento o la posición de los cultivos entre los distintos lugares de cultivo, que escapan a toda explicación basada únicamente en el intercambio de opiniones.

LetsGrow.com comprueba que las diferencias de producción entre los distintos lugares de cultivo pueden explicarse con análisis de datos, incluso hasta el nivel del uso de pantallas, la posición de las ventanas o el uso de otros equipos de cultivo. Se puede rastrear por qué suceden estas cosas.

Un análisis que ha resultado muy útil es la optimización de la relación luz-temperatura, utilizando los datos climáticos del propio cultivador. Trazar la temperatura media de 24 horas de cada día y la suma de luz ha creado una gran base para conocer el equilibrio de la planta. El modelo desarrollado para la eficiencia del uso de la luz en los cultivos (LUE, en gramos de producción por megajulio de suma de radiación) trata de encontrar la combinación ideal de (y el equilibrio entre) luz, humedad, temperatura y CO2. También tiene en cuenta que la cantidad de luz en, por ejemplo, la semana 21 no se correlaciona con la producción en la semana 21, sino que tiene un efecto retardado en la producción.

La gran dispersión de LUE que se da a menudo en las empresas demuestra que existe un potencial para mejorar el uso de la luz. Identificando y eliminando el factor limitante con mayor efecto negativo sobre la eficiencia en el uso de la luz, muchos cultivadores han alcanzado incrementos de producción de hasta varios puntos porcentuales. Y a veces no hay ningún factor limitante presente, y podría resultar que una mayor disponibilidad de luz ofrece el potencial para una carga vegetal y una producción aún mayores.

LetsGrow.com traduce las conclusiones de los análisis de datos en medidas que los cultivadores pueden tomar. Hendriks: "Sólo que nosotros no tomamos esas medidas por ellos. Simplemente informamos al cultivador de si sigue la línea 'ideal' y de lo que podría haber hecho. No es nuestra intención sustituir al cultivador, sino asegurarnos de que está capacitado para mejorar su toma de decisiones, o permitirle gestionar una mayor superficie de invernadero". Aunque, además de la ayuda en la toma de decisiones, hay aspectos del cultivo que ya están listos para la automatización. "Tener que cambiar los ajustes climáticos varias veces al día en el ordenador climático no debería ser algo de hoy en día".

Sensores

Los sensores capaces de detectar cambios invisibles para el ojo humano, ahora mismo o en una fase posterior, contribuyen a mejorar la toma de decisiones relacionadas con el cultivo. Cada vez son más los sensores que llegan al mercado, como caudalímetros de zumo, medidores de temperatura de la fruta, medidores de radiación, cámaras termográficas y robots móviles de recuento de fruta.

Especialmente los sensores inalámbricos, que proporcionan múltiples puntos de medición en el invernadero, contribuyen a una mayor comprensión. Un cultivador pudo utilizar el análisis de datos para explicar por qué el lado de la fachada del invernadero rendía sistemáticamente más que la misma hilera de cultivo situada más cerca del camino central. Al final, llegó incluso a ajustar la estructura arquitectónica de su invernadero, porque le ofrecía un equilibrio óptimo adecuado a la situación específica de su empresa.

Hendriks: "La tecnología viene hacia ti. Hay tantos sensores adicionales que vienen hacia ti, y junto con los datos añadidos que capturan, se hace imposible mantener una vista de pájaro. Nuestra visión es crear valor a partir de todos estos datos". Con un cambio del enfoque familiar de medir y reaccionar a tener la previsión y actuar preventivamente en su lugar. Para mantener una línea sostenible que mantenga su cultivo en equilibrio, en lugar de pensar: "¡Oh, no, algo va mal!" y verse obligado a corregir de repente en su lugar. La pregunta 'qué debo hacer a continuación' deriva entonces finalmente de un preventivo 'veo que algo está pasando en mis datos' en lugar de una respuesta tardía a 'veo que algo le está pasando a mi cultivo'".

Artificial Intelligence

Cuando se habla de análisis de datos, los agricultores suelen oír palabras de moda como inteligencia artificial (IA) y sistemas de autoaprendizaje de datos (aprendizaje automático). Aunque son conscientes de que los ordenadores son capaces de crear muchos análisis por sí solos, y sus resultados son cada vez más precisos con el tiempo, a menudo no está claro qué significan realmente estos términos tecnológicos.

Hendriks intenta explicarlo: "Los modelos tradicionales se programan basándose en los resultados de investigaciones que abarcan varios años y registros en un programa informático. Por ejemplo: si la temperatura de mi invernadero aumenta un grado, ¿qué pasaría con la tasa de maduración? Esto permite al programa calcular las consecuencias, posibilitando predicciones de las circunstancias de cultivo actuales o previstas."

"El aprendizaje automático, que forma parte del ámbito más amplio de la Inteligencia Artificial, requiere introducir en un ordenador resultados (como rendimientos en kilogramos o respuestas de los cultivos) del pasado, combinados con los datos climáticos del mismo periodo. El ordenador analiza y determina sus propias interrelaciones, y las toma para crear su propio programa predictivo. Es una forma mucho más rápida y muy precisa de predecir los efectos de las nuevas medidas adoptadas".

Fuente: Groenten & Fruit | Autor: Peter Visser