El aprendizaje automático se une a la toma de decisiones en la agricultura
Finalidad de los consejos de cultivo 2.0
Granja21 está desarrollando un sistema de apoyo a la toma de decisiones de cultivo con autoaprendizaje. Se trata de una plataforma en la que se combinan fuentes de datos agrícolas y se analizan mediante algoritmos de aprendizaje automático. Los resultados se evalúan y mejoran gracias a los comentarios de los usuarios. Lo llamamos Consejo de Cultivo 2.0. En este otro blog explicamos lo que queremos decir con esto.
En este blog, sin embargo, nos centramos en los aspectos necesarios para establecer este sistema. Definimos los elementos clave y los puntos de partida. Estos aspectos son en los que trabajamos día a día.
Los consejos de cultivo 2.0 proporcionan una ayuda única para el cultivador individual. Permite al agricultor hacer que el cultivo sea más eficiente. Esto significa: aumentar el rendimiento, ahorrar en recursos valiosos como la protección de los cultivos, los fertilizantes y el agua.
Creemos que éste es el futuro de la digitalización en la agricultura.
El aprendizaje automático como volante
Para ahorrarte un ensayo muy técnico, explicamos el aprendizaje automático a un nivel muy alto. El aprendizaje automático es una forma automatizada de analizar grandes cantidades de datos. En un nivel básico, un sistema de aprendizaje automático que funciona bien consiste en un bucle continuo de los siguientes pasos.
- Recogida de datos. Recogida de datos consistente, de alta calidad y de gran volumen. Un conjunto de datos en constante crecimiento con la mayor cantidad de datos (relevantes) posible es la base del volante.
- Categorizar los datos. Los especialistas en datos categorizan los datos y entrenan los algoritmos de ML. En nuestro caso, identificamos un tema que queremos analizar, por ejemplo, una determinada enfermedad en un cultivo, y qué parámetros podrían influir potencialmente en este resultado.
- Mostrando resultados. Los resultados de los algoritmos ML se muestran a los cultivadores y asesores de cultivos.
- Comentarios. Los comentarios se procesan y se incluyen en los análisis posteriores.
Para hacer realidad la visión de futuro de Farm21 y poner en marcha el volante de aprendizaje automático, hay que completar una serie de fases clave. Esta línea de tiempo muestra las fases más importantes.
1 Recoger datos
El aprendizaje automático requiere la recopilación constante de datos de alta calidad y gran volumen.
Para conseguir la densidad de datos adecuada, es necesario reducir el coste por punto de medición y poder enlazar con sensores ya existentes.
Para ello, estamos desarrollando sensores propios que permiten la recogida de datos de grano fino, además de utilizar los sensores existentes para construir un conjunto de datos de grano fino.
2 Enriquecer los datos
Al vincular las fuentes de datos, es posible que un algoritmo de aprendizaje automático encuentre correlaciones dentro de los datos.
Las fuentes de datos que conectamos son, por ejemplo, imágenes de satélite, bases de datos de cultivos, registro de rendimientos, escaneos de suelos, conjuntos de datos de tractores y muchas más.
Con la información de diferentes fuentes, también es posible filtrar los valores atípicos. Mejorar la calidad de los datos utilizados para el entrenamiento de los algoritmos de aprendizaje automático.
3 Alertas genéricas
Un modelo preexistente (Sistema Genérico de Ayuda a la Decisión) constituye la base de las alertas. Algoritmos básicos como "con la temperatura X, la humedad Y durante un periodo de tiempo Z, tienes una presión de enfermedad alta". Estas alertas genéricas son nuestro punto de partida.
Recogemos cuando se activan y, posteriormente, relacionamos estos eventos con la respuesta del usuario.
4 Comentarios
El feedback es el motor del sistema de autoaprendizaje. Un simple "esto está bien/no está bien" ya dice mucho sobre la calidad del consejo. Como ya se ha dicho, almacenamos esta retroalimentación y la comparamos con el consejo dado.
De este modo, los algoritmos de aprendizaje automático pueden determinar a nivel individual cuáles deben ser los factores de ponderación para el asesoramiento de cultivo personal, pero también lo utilizan para encontrar más vínculos entre los conjuntos de datos.
5 Predicción del futuro
Utilizando el conjunto de datos cada vez mayor, y con la ayuda del aprendizaje automático, podemos dar consejos o advertencias sobre lo que puede venir.
De este modo, el agricultor está informado con mayor antelación de la evolución del clima y su efecto en su campo y su cultivo. Esto le permite actuar con mayor rapidez.
6 Asesoramiento personalizado sobre el cultivo
En esta fase llegamos al asesoramiento de cultivo 2.0 para el cultivador individual.
La medición de grano fino permite llevar a cabo acciones de cultivo a un nivel muy preciso. Gracias a toda la información que se introduce en el sistema y se analiza mediante algoritmos de aprendizaje automático, el nivel de conocimiento aumenta enormemente. El resultado es un asesoramiento agrícola localizado y personalizado.
El asesoramiento automatizado de cultivo a medida es extremadamente detallado, funciona de forma preventiva pero está orientado. Ofrece la posibilidad de realizar cada acción en el momento adecuado para optimizar la eficiencia en el rendimiento y el uso de los recursos.
