Avanzando hacia el Cultivo Impulsado por Datos

Avanzando hacia el Cultivo Impulsado por Datos

03 agosto 2020

Data Driven Growing

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

LetsGrow.com es una compañía que está tanto activa como altamente involucrada en aplicaciones prácticas de datos. Muchos productores están familiarizados con su plataforma de comparación para el clima y otros datos de registro de la empresa. Sin lugar a dudas, esta oferta ha jugado un papel importante en su éxito. Sin embargo, a medida que pasaba el tiempo, LetsGrow.com ha cambiado su énfasis hacia soluciones de cultivo impulsado por datos (Data Driven Growing, DDG).

Los productores se han vuelto altamente capaces de descubrir por qué su cultivo reaccionó visiblemente de ciertas maneras y de reaccionar adecuadamente. Ahora, mientras se capturan grandes cantidades de datos, tanto los consultores de cultivos como los productores se han preguntado si también podrían calcular de forma predictiva las reacciones de sus cultivos.

¿Cómo afectarán las configuraciones actuales del invernadero, combinadas con las condiciones climáticas externas esperadas, a la planta con respecto a, por ejemplo, la producción, las probabilidades de daños por hongos, el manejo de la energía o la influencia de las diferencias de temperatura dentro del invernadero? ¿Cómo podría alinear aún más la configuración climática y el riego con el desarrollo del cultivo y las necesidades de la planta?

Los productores prefieren verificar por adelantado qué opción ofrece resultados óptimos y qué configuraciones se requieren para alcanzar el resultado deseado. Los programas comunes de Excel, cuando intentan procesar las enormes cantidades de datos disponibles, parecen fallar en descubrir realmente lo que está dentro del ámbito de las posibilidades.

Modelos de cultivo
Grandes modelos teóricos de fisiología de cultivos son una necesidad básica en lo que respecta al desarrollo predictivo y basado en datos. Esto permite a LetsGrow aprovechar los componentes básicos de su concepción: proporcionar a los productores, modelos desarrollados por WUR. Es una decisión consciente enseñar habilidades de datos a los fisiólogos de plantas en lugar de permitir que los especialistas en datos aborden las aplicaciones hortícolas.

Peter Hendriks, Director General de LetsGrow.com, explica por qué se tomó esta decisión: “Aunque es posible agrupar todos los datos disponibles y comenzar a sacar conclusiones de ellos, correría el riesgo de cometer errores masivos. El conocimiento requerido de la horticultura y la fisiología de las plantas no es algo que se pueda adquirir fácilmente. Antes de que pueda cultivar efectivamente de bajo un modelo basado en datos, debe comprender los procesos que tienen lugar dentro del invernadero y la fisiología de la planta, realmente bien”. Aunque, por supuesto, hay matemáticos y científicos especializados en datos que trabajan en segundo plano para procesar los datos de manera efectiva.

Información valiosa
La cantidad total de datos disponibles es igual a la cantidad de datos disponibles para el análisis. Hendriks: «Así que le insto a que no se apresure a pensar <<esta información no me sirve en este momento>>». Guarde todo. Debería ver los sorprendentes análisis que podemos realizar en función de los datos de registro de la empresa que se han capturado durante cinco años o más. Datos que los productores nunca usaron antes, porque todavía tenían poca comprensión de su potencial.

La sofisticación de los datos contribuye en gran medida a la fiabilidad de los análisis. Por lo tanto, vale la pena considerar aumentar su frecuencia de conteo de configuración y calidad si, por ejemplo, solo lo hace una vez por semana por una indicación general.

Hay mucho más por registrar y calcular, pero el resultado depende en gran medida de la precisión de los datos disponibles. Solo los datos precisos se pueden analizar de manera efectiva y ofrecen conclusiones confiables. “Por lo tanto, no calibre sus sensores y equipos de medición con el único propósito de la regulación climática directa. La calibración incorrecta también da como resultado la pérdida de datos valiosos para su posterior análisis. Si no tiene cuidado, siempre, independientemente de lo que haga, continuará trayendo esos errores en sus datos”.

En lugar de confiar ciegamente en consejos generados por computadora basados en análisis de datos, es bueno darse cuenta de que todos los cambios en los datos nos cuentan una historia. “Cuando sucede algo realmente fuera de lo común, generalmente hay una razón muy lógica detrás. Con el análisis de datos, es crucial encontrar esa razón primero o corre el riesgo de sacar conclusiones incorrectas de esos datos. En pocas palabras: ¿podría una influencia externa ofrecer una explicación válida, por ejemplo, daños por tormenta o un brote de enfermedad?”

Balance
Los análisis de datos son una adición bienvenida al conocimiento humano sobre el cultivo. Cada grower tiene su ‘buena mano’ y su propia interpretación de los datos de cultivo, que aplica para regular el clima del invernadero. Sin embargo, especialmente las empresas a gran escala, así como los productores que trabajan juntos dentro de una asociación, se enfrentan regularmente a diferencias en la producción o el comportamiento de los cultivos entre locaciones, que están más allá de la explicación basada solo en un intercambio de opiniones.

LetsGrow comprueba que las diferencias de producción entre los sitios de cultivo se pueden explicar con análisis de datos, incluso hasta el nivel de uso de la pantalla, el posicionamiento de las ventanas o el uso de otros equipos de cultivo. Puede rastrear por qué suceden estas situaciones.

Un análisis que demostró ser muy útil es la optimización de la relación luz-temperatura RTR, utilizando los datos climáticos del productor. El trazado de la temperatura promedio y la suma de la luz de cada día ha creado una base excelente para obtener información sobre el equilibrio de la planta. El modelo desarrollado para la eficiencia del uso de la luz de los cultivos (LUE, en gramos de producción por megajulio de suma de radiación) intenta encontrar la combinación ideal de (y 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, pero tiene un efecto retardado en la producción.

The often occurring wide spread of LUE at companies shows that there is potential for improved use of light. By identifying and eliminating the limiting factor with the greatest negative effect on light use efficiency, many growers have reached production increases of up to several percent. And sometimes there is no limiting factor present, and it could turn out that higher light availability offers potential for an even higher plant load and production.

LetsGrow traduce conclusiones, desde análisis de datos hasta acciones que los productores pueden tomar. Hendriks: “Solo, no tomamos esas acciones por ellos. Simplemente informamos al productor si todavía sigue la línea de cultivo «ideal» y qué podría haber hecho. No es nuestra intención reemplazar al productor, sino más bien asegurarnos de que esté capacitado para mejorar su toma de decisiones o permitirle administrar un área de invernadero mayor”. Aunque, además del soporte para la toma de decisiones, hay aspectos crecientes listos para la automatización en este momento. «La obligación de cambiar la configuración del clima varias veces al día en la computadora climática no debería ser tener lugar en el mundo de hoy».

Sensores
Los sensores que son capaces de detectar cambios invisibles para el ojo humano, en este momento o en una etapa posterior, apoyan a una mejor toma de decisiones relacionadas con el cultivo. Hay un aumento sustancial en los sensores que llegan al mercado, incluidos los medidores de flujo, medidores de temperatura de fruta, medidores de radiación, cámaras termográficas y hasta robots móviles de conteo de frutas.

Especialmente los sensores inalámbricos, que proporcionan múltiples puntos de medición en el invernadero, contribuyen a una visión adicional. Un productor pudo utilizar el análisis de datos para explicar por qué el lado de la fachada del invernadero siempre produjo más que la misma hilera de cultivos ubicada más cerca del pasillo. Finalmente, incluso llegó a ajustar la estructura arquitectónica de su invernadero, ya que esto le ofreció un equilibrio óptimo acorde con la situación específica de su empresa.

Hendriks: “La tecnología está llegando a usted. Hay tantos sensores adicionales que se acercan, junto con los datos adicionales que capturan, que es imposible mantener una vista panorámica. Nuestra visión es crear valor a partir de todos estos datos. Con un cambio del enfoque familiar de medir y reaccionar, a tener previsión y actuar preventivamente. Para mantener una línea sostenible que mantenga su cultivo en equilibrio, en lugar de pensar: «¡Oh, no, algo está mal!» Y verse obligado a corregir de repente. La pregunta «¿qué debo hacer a continuación?» Finalmente se deriva de una opción preventiva «veo que algo sucede en mis datos» en lugar de una respuesta tardía como «veo que algo le sucede a mi cosecha».

Inteligencia Artificial
Siempre que el análisis de datos esté involucrado, los productores a menudo escucharán palabras de moda como Inteligencia Artificial (AI) y sistemas de datos de autoaprendizaje (Machine Learning). Aunque se dan cuenta de que las computadoras son capaces de crear muchos análisis por sí mismas, y sus resultados se han vuelto cada vez más precisos con el tiempo, aun así, a menudo no está claro si estos términos tecnológicos realmente significan.

Hendriks intenta explicar: “Los modelos tradicionales se programan en función de resultados de investigación que abarcan varios años y registros en un programa informático. Por ejemplo: si la temperatura de mi invernadero aumenta en un grado, ¿qué pasaría con la tasa de maduración? Esto permite que el programa calcule las consecuencias, permitiendo predicciones de las circunstancias de cultivo actuales o esperadas «.

“El aprendizaje automático, que forma parte del dominio más amplio de Inteligencia Artificial, requiere ingresar resultados (como rendimientos en kilogramos o respuestas de cultivos) históricos en una computadora, combinados con los datos climáticos del mismo período. La computadora analiza y determina sus propias correlaciones, y las toma para crear su propio programa predictivo. Es una forma mucho más rápida y precisa de predecir los efectos de las nuevas acciones tomadas «.

Fuente: Groenten & Fruit | Translation: Federico Aguilar | Autor: Peter Visser

Contact Francisco