La agricultura de precisión aprovecha la tecnología para mejorar la productividad de los cultivos y fundamentar la toma de decisiones en las explotaciones. Sus principios básicos consisten en utilizar los datos para comprender la variabilidad y, a continuación, orientar las intervenciones a las necesidades específicas de cada campo.
Al evaluar y responder a las diferencias matizadas dentro de las explotaciones, en lugar de adoptar un enfoque general de talla única, las prácticas de agricultura de precisión pretenden aumentar la eficiencia, la productividad, la rentabilidad y la sostenibilidad. Este concepto basado en los datos se ha adoptado cada vez más en todo el mundo para ayudar a hacer frente a la creciente demanda de alimentos, conservando al mismo tiempo los recursos y el medio ambiente.
Este blog profundiza en los retos a los que se enfrentan los agricultores, dónde la tecnología está preparada para resolverlos y dónde se queda corta. En su mayoría, los agricultores están deseosos de adoptar la tecnología de precisión y cuentan con los ingenieros para hacerla viable cuanto antes.
Más que máquinas: Crear agentes de decisión para los agricultores
A escala mundial, el reto global para los agricultores es producir alimentos suficientes para alimentar a diez mil millones de personas en 2050, reduciendo al mismo tiempo el impacto sobre el agricultor, la explotación y el medio ambiente.[1] La agricultura tiene pocas garantías, y los agricultores se enfrentan a un aluvión de variables que escapan a su control: cada estación, cada día y cada hora pueden ser muy diferentes.
Intervención en el Grupo de Trabajo sobre Conectividad de la Agricultura de Precisión de la FCC,[2] Ryan M. Krogh, Director de Sistemas de Producción y Gestión de Programas de John Deere, esbozó el primer reto crítico. Krogh explicó que, para los agricultores, muchas variables clave escapan a su control. Por tanto, como criterio fundamental, las tecnologías agrícolas deben permitir gestionar las incertidumbres, ayudando a los agricultores a inclinar a su favor la inevitable volatilidad.
Un segundo reto importante es la mano de obra. Según el Censo de Agricultura 2022 del Departamento de Agricultura de EEUU (USDA), los agricultores de EEUU trabajan muchas horas.[3] Según los datos de 2016, las horas semanales en la explotación de los principales operadores agrícolas variaban significativamente en función del tipo de producto. Los productores de leche son los que más trabajan, con 64 horas semanales, mientras que los que gestionan explotaciones de algodón, cacahuetes y arroz también trabajan más de 40 horas. Es importante señalar que muchos agricultores también trabajan fuera de la explotación para llegar a fin de mes.
La tecnología es una forma lógica de ayudar a los agricultores a trabajar de forma más inteligente. Krogh dijo que es importante no pensar en la automatización agrícola como una pieza de equipo, sino como un grupo de ingenieros, agricultores y expertos en logística metidos en esa máquina para hacer que algo suceda por una razón. En la automatización agrícola, la tecnología debe ayudar al agricultor a tomar decisiones basadas en lo que ocurre en cada momento, aumentando al mismo tiempo la rentabilidad, la sostenibilidad y la productividad.
Caso práctico de precisión: La gestión de cultivos de alta tecnología de un agricultor
Un ejemplo de toma de decisiones basada en la tecnología procede de Andrew Nelson, agricultor de quinta generación e ingeniero de software, que aprovecha la previsión meteorológica hiperlocal en su granja de 7500 acres del este del estado de Washington.[4] Nelson utiliza dispositivos IoT como sensores por todos sus campos para medir la temperatura del suelo y del aire ambiente. Introduce los datos de estos sensores a través de una combinación de satélites, LoRA®, telefonía móvil y Wi-Fi® en el Proyecto FarmVibes de Microsoft Research. El Proyecto FarmVibes produce entonces predicciones de temperatura microclimática a nivel de campo, ayudando a Nelson a generar predicciones personalizadas del riesgo de heladas para cada campo agrícola. Como los modelos están entrenados con datos reales del microclima de la granja, pueden predecir el potencial de heladas durante la noche con mucha más precisión que los informes meteorológicos generales.
Predecir con exactitud la aparición de heladas permite dirigir con precisión los productos químicos y los tratamientos de protección de cultivos para maximizar el rendimiento. Si una helada tardía amenaza zonas productivas de un campo, Nelson puede utilizar la orientación del sistema para saber exactamente cuándo aplicar tratamientos preventivos de pulverización.
Los modelos de aprendizaje automático (ML) del Proyecto FarmVibes proporcionan una orientación hiperlocal similar, emparejando los datos meteorológicos con los sensores de humedad del suelo a través de los campos. Al intentar planificar las operaciones de campo, puede ayudar a comprender el grado de saturación del suelo en todo el campo y determinar si debe intentar realizar operaciones de campo con maquinaria pesada. Esto permite una gestión proactiva del campo.
En esencia, Nelson demuestra cómo la inteligencia artificial (IA) y los modelos de ML pueden transformar los datos brutos de los sensores en ideas procesables para el agricultor, teniendo en cuenta las condiciones únicas de esa explotación. A medida que crezcan las redes de sensores en la agricultura, para aumentar el valor de los datos se necesitarán sistemas inteligentes que adapten la información general a recomendaciones específicas para cada campo.
Nelson también utiliza drones con IA y cámaras visuales, multiespectrales o de índice de vegetación de diferencia normalizada (NDVI) (que captan la luz roja e infrarroja cercana reflejada por las plantas) para detectar mejor las malas hierbas y rociar sólo las zonas que requieren tratamiento. Las imágenes muestran vívidamente los lugares donde las malas hierbas están invadiendo las hileras de cultivo. Como sería poco práctico escanear manualmente las imágenes de los drones en miles de hectáreas para identificar los focos de malas hierbas, Nelson utiliza modelos de IA entrenados en imágenes de drones etiquetados que pueden analizar automáticamente cada imagen a medida que se captura. Los modelos identifican y cartografían las malas hierbas del campo con coordenadas geográficas precisas.
Al saber exactamente qué partes del campo requieren intervención, Nelson puede aprovechar la tecnología de control automático de boquillas basada en GPS de su equipo de pulverización para dirigir las aplicaciones exclusivamente a las hileras infestadas de malas hierbas. Esto permite un increíble aumento de la eficacia en comparación con la pulverización generalizada. La tecnología permite un tratamiento más preciso del campo utilizando una fracción de los herbicidas, lo que se traduce directamente en un ahorro de costes y una mejor protección de las tierras y las comunidades.
Es una solución mejor, pero Nelson señala que no está exenta de dificultades. Nelson afirma que un problema importante es la conectividad: «Estamos trabajando en ello con Microsoft, pero hay que conseguir que el dispositivo se conecte de forma económica en distancias muy largas; es un problema muy difícil. El término medio del ancho de banda es muy difícil de desplegar de forma rentable en una granja».
La crisis de conectividad de la agricultura
Aparte del coste y de la necesidad de proteger los componentes contra las duras condiciones de los entornos agrícolas, el impedimento más importante para incorporar este tipo de tecnología es la conectividad. Un ingeniero sólo puede llegar hasta cierto punto para resolver ese problema.
Internet de alta velocidad sólo está disponible en algunas comunidades rurales, y las opciones de Internet son limitadas en general. Aunque un agricultor consiga un excelente servicio de alta velocidad en su casa o granero, no resolverá el problema fundamental: un centro de mando debe ser móvil porque el agricultor no se queda quieto.
Por ejemplo, un tractor autónomo dispondrá de edge computing en la máquina con toda la inteligencia para ejecutar el trabajo. Aun así, la autonomía necesita comunicación y conectividad continuas, porque si el tractor no sabe lo que está viendo, necesitará intervención. Esa intervención podría consistir en que una persona consultara una aplicación móvil y ordenara al tractor que se moviera alrededor del objeto, pasara por encima de él o se detuviera hasta que alguien pudiera moverlo. Se trata de una simple señal inalámbrica, ¿no?
Pero conseguir señales inalámbricas consistentes puede ser muy difícil en muchos tipos de tierras de cultivo. La infraestructura de conectividad depende de que las torres de telefonía móvil y radio estén al alcance de la vista. A medida que la maquinaria agrícola se desplaza por colinas, valles, árboles o incluso vastos espacios, puede perder la línea de visión con una torre. Esto significa que la señal se interrumpe o se pierde por completo.
El mismo problema se aplica a los sensores colocados en los campos para recoger datos. Si una colina bloquea la vista de una torre, es posible que ese sensor no pueda transmitir sus datos a los sistemas agrícolas, o que la conexión sea intermitente, ya que las señales entran y salen del alcance. Esto es un gran problema si un agricultor quiere aprovechar todos los datos de los equipos y sensores de campo para obtener información operativa. La conectividad inconsistente hace que muchos de esos datos sean inaccesibles cuando se necesitan para tomar decisiones críticas.
El coste es un problema, incluso si la explotación se extiende a lo largo de kilómetros de terreno llano. Un sistema de vigilancia remota de cultivos que requiera la colocación de cientos o miles de cámaras y sensores de suelo a 5-10 US$ al mes por conexión celular se convierte rápidamente en bastante costoso.
Esta dinámica limita gravemente la viabilidad de las soluciones basadas en sensores para la agricultura. Sólo algunos agricultores pueden justificar el gasto de cientos de miles al año en planes de datos celulares para habilitar software o análisis basados en sensores.
Sin embargo, varias tecnologías inalámbricas nuevas ofrecen la esperanza de reducir radicalmente estos costes de conectividad:
- Opciones LPWAN: Redes como LoRaWAN o Sigfox proporcionan conectividad de bajo ancho de banda y largo alcance específicamente para dispositivos IoT. Al limitar el rendimiento, pueden permitir años de duración de la batería y tarifas de datos muy bajas: tan sólo 1 $ por dispositivo al año.
- Espacios Blancos de Televisión: Se está intentando utilizar las frecuencias de TV no utilizadas entre canales para datos de banda ancha. Como estas frecuencias se propagan más lejos que las celulares y penetran mejor en los edificios y el terreno, se necesitan menos torres para la cobertura. Esto significa Internet inalámbrico para las zonas rurales a un coste menor.
- Satélites de órbita terrestre baja: Las empresas privadas de constelaciones de satélites están lanzando miles de satélites para proporcionar Internet por satélite global y asequible, con un ancho de banda y una latencia decentes. A medida que bajen los costes, esto podría permitir una conectividad de bajo coste en cualquier lugar.
En los próximos años, éstas y otras innovaciones relacionadas podrían eliminar la conectividad como barrera para la adopción de tecnología en la agricultura. Con unos costes operativos bajos, casi cualquier sensor o solución de hardware será entonces viable basándose en las ganancias de productividad más que en los costes de los datos. Pero hoy en día, resolver la cuestión fundamental de la conectividad fiable y de bajo coste a larga distancia en el campo ondulado sigue siendo un reto activo.
El camino a seguir: Superar los obstáculos para impulsar un progreso duradero
La tecnología en la agricultura está preparada para transformar la productividad y la sostenibilidad en la granja mediante una mayor conexión, automatización y utilización de datos. La computación en nube y la IA están impulsando un enorme progreso en el aprovechamiento de la tecnología adaptada a la agricultura. Sin embargo, aún existen barreras críticas que restringen la adopción generalizada por parte de los agricultores medios. Sigue siendo imperativo resolver los retos persistentes de la conectividad fiable, la interoperabilidad, la usabilidad y los costes.
El aspecto operativo de la agricultura también merece más atención por parte de los tecnólogos. Probar las innovaciones en condiciones reales de trabajo en las granjas permite diseñar para necesidades pragmáticas. A medida que los innovadores sigan abordando los acuciantes puntos débiles, la tecnología promete conducir a la agricultura hacia un futuro más preciso, eficiente y responsable con el medio ambiente, manteniendo la productividad al tiempo que se estabilizan los cimientos de los que dependen los alimentos y las comunidades. Para aprovechar todo el potencial de la tecnología en la agricultura es necesario integrarla en el contexto de la agricultura moderna.
[1] https://www.wri.org/insights/how-sustainably-feed-10-billion-people-2050-21-charts. [2] https://www.fcc.gov/news-events/events/2023/11/precision-ag-connectivity-task-force-meeting-november-2023 [3] https://www.nass.usda.gov/Publications/AgCensus/2022/Full_Report/Volume_1,_Chapter_1_US/usv1.pdf [4] &Andrew Nelson, entrevista con el autor
