Monitoreo de cultivos e IA: El futuro de la agricultura

El papel de la agricultura y su importancia no es algo extraño para nosotros. Además de alimentarnos, permitió los primeros asentamientos y la transición de un estilo de vida nómada a un modo de vida sedentario que culminó en el estado actual de nuestra civilización. Aunque ya se han introducido muchas tecnologías IoT e innovaciones en los últimos años, todavía hay mucho espacio para mejorar.

El uso generalizado de Inteligencia Artificial, aliado con el cambio climático, el crecimiento de la población, la escasez de trabajadores agrícolas y las preocupaciones sobre la seguridad alimentaria, han impulsado al sector agrícola a buscar enfoques aún más innovadores para aumentar sus rendimientos.

La imagen anterior, adaptada de aquí, sugiere que los robots pueden desempeñar un papel importante en el control, pero es de esperar que el rol de los humanos en el análisis y la planificación sea cada vez más asistido por máquinas, de modo que el ciclo se vuelva casi autónomo. Esto se respalda en la proyección del mercado de IA agrícola, que pasará de 519 millones de dólares en 2019 a 2.600 millones en 2025, según un informe de Markets and Markets de 2019. En esta entrada de blog, profundizaremos en las aplicaciones populares y los casos de uso comunes de IA en la agricultura.

Curso, Plantillas

Data Ignite

Descubre el potencial de cualquier caso de uso de IA en tu negocio siguiendo nuestra metodología.

Más información

Sistema de riego automatizado

El sector agrícola consume el 85% del agua dulce disponible en el mundo, y este porcentaje está aumentando rápidamente con el crecimiento de la población y la demanda de alimentos. Cuando se trabaja con agricultura en espacios abiertos, es común ver sistemas de riego que son muy ineficientes, resultando principalmente en desperdicio de agua en lugar de mantener la humedad del suelo. Al dispersar sensores que miden temperatura, humedad, pH y humedad del suelo en los campos, es posible regar con precisión solo las regiones que necesitan ser irrigadas de forma completamente automatizada. Los datos del sensor asociados a cada sección del campo se modelan para activar una válvula en esa región específica del campo.

Además, la evapotranspiración de las plantas también se ve afectada por una multitud de parámetros atmosféricos como la humedad, la velocidad del viento, las radiaciones solares, e incluso factores del cultivo como la etapa de crecimiento, la densidad de plantas, las propiedades del suelo y las plagas. Estos pueden modelarse de forma similar al enfoque anterior, como se puede ver en el trabajo de Patil et al..

Detección de enfermedades en hojas

Se estima que las enfermedades representan una gran parte de las pérdidas de rendimiento de cultivos. La práctica más utilizada en el control de plagas y enfermedades es pulverizar uniformemente pesticidas en toda el área de cultivo. Esta práctica, aunque efectiva, tiene un costo financiero y ambiental significativo.

Tradicionalmente, la detección de enfermedades se puede realizar manualmente observando el color de las hojas y la presencia de manchas. Sin embargo, ha sido potenciada por sistemas de visión por computadora que son capaces de segmentar las regiones de hojas afectadas y clasificarlas como asociadas o no a una enfermedad. Empresas como SkySquirrel Technologies utilizan imágenes aéreas basadas en drones para monitorear la salud de granjas y ayudar a los agricultores a determinar cuándo y dónde desplegar los controles de plagas.

En un caso de uso similar, concerniente al trigo, uno de los cultivos más significativos económicamente en todo el mundo, Pantazi et al. desarrollaron un nuevo sistema para diferenciar entre cultivos enfermos y saludables. El sistema detectó dosel de trigo invernal con estrés por nitrógeno, infectado por roya amarilla y saludable, basado en un clasificador de autoorganización jerárquica y datos de imágenes de reflectancia hiperespectal.

Detección de malezas

La detección y gestión de malezas es otro problema significativo en la agricultura. Muchos productores indican las malezas como la amenaza más importante para la producción de cultivos. La detección precisa de malezas es de gran importancia dada la dificultad para detectar y discriminar entre cultivos. La competencia entre cultivos y malezas no deseadas representa más de 11.000 millones de dólares, según investigaciones realizadas en India, véase aquí. Por lo tanto, eliminar estas malezas de los campos es de máxima importancia para prevenir que el espacio sea ocupado e impacte negativamente en el crecimiento de los cultivos.

Para implementar un sistema con este caso de uso es necesario en primer lugar diferenciar los cultivos de las malezas, y, como ya sabemos, la visión por computadora es una herramienta poderosa para hacerlo. Posteriormente, se pueden utilizar micro aspersores o láseres para eliminar los huéspedes no deseados. Como ejemplo, Tamouridou et al. presentaron un nuevo método basado en redes neuronales e imágenes aéreas multiespectrales para la identificación de Silybum marianum, una maleza que es difícil de erradicar y causa pérdidas importantes en el rendimiento de cultivos.

Casos de uso relacionados con drones

El monitoreo aéreo de cultivos ha ganado impulso gracias a los drones. Con los avances recientes y la disminución de los precios de la tecnología, se ha realizado más investigación con aplicaciones prácticas.

Estas aeronaves no tripuladas se utilizan para monitorear la salud de los cultivos, equipos de riego, ganado y vida silvestre, identificar malezas y gestionar desastres. Además, utilizando sus sistemas de imágenes digitales, es posible obtener información sobre la elevación del campo que luego se puede utilizar para detectar patrones de drenaje y áreas húmedas o secas.

La gestión agrícola también puede utilizar el monitoreo de operaciones en tiempo real para garantizar que todo funcione correctamente. El uso de drones basado en técnicas de Visión por Computadora para pulverización de productos y fertilización puede lograr mayor precisión que el uso de tractores convencionales y es una opción más segura para trabajadores que no tienen que pulverizar las plantas manualmente y en contacto cercano.

Nuevos sensores montados en drones, con cámaras de alta tecnología siendo los ojos del cliente en el terreno y procedimientos óptimos para el reconocimiento, la adquisición de datos y el análisis se desarrollan y prueban continuamente, pero esto no es nuevo. Los satélites se han utilizado durante más de una década para inspeccionar grandes tierras de cultivo y áreas forestales, pero su precisión y flexibilidad no pueden rivalizar con el uso de drones. A continuación puede ver ejemplos del uso de drones, extraídos de aquí.

Mapeo de rendimiento

La predicción de rendimiento a nivel de porción de campo puede predecirse utilizando una combinación de técnicas de machine learning para analizar mapeos 3D a partir de datos de sensores y datos basados en drones del color del suelo. Con estas entradas, los especialistas agrícolas pueden entonces predecir el rendimiento potencial del suelo para un cultivo dado.

En un estudio, los autores desarrollaron un sistema de mapeo de rendimiento temprano para la identificación de cítricos verdes inmaduros en un huerto de cítricos en condiciones al aire libre, véase Sengputa et al.. Este sistema comprendió clasificación de texturas mediante una máquina de vectores de soporte (SVM), detección de bordes Canny combinada con un algoritmo de componentes conectados basado en gráficos, y detección de líneas de Hough. En otro estudio, los autores desarrollaron un modelo para la estimación de biomasa de pastizales basado en redes neuronales y datos de teledetección multitemporal como índices de vegetación, bandas espectrales roja e infrarroja cercana. En China, se implementaron métodos para predecir la etapa de desarrollo del arroz basados en SVM e información geográfica básica obtenida de estaciones meteorológicas, véase este artículo para más detalles. A continuación, podemos ver una representación visual de la predicción de rendimiento extraída de aquí.

Vigilancia

Aunque puede que no sea tan dirigida a la agricultura como las otras, sigue siendo una necesidad presente en el campo. Los agricultores tienen que monitorear grandes extensiones de tierra y definitivamente se puede hacer utilizando sistemas de visión por computadora. Al hacerlo, se puede reducir el potencial de animales domésticos y salvajes para destruir accidentalmente cultivos o experimentar un allanamiento de morada o robo en una ubicación de granja remota.

Ya hay varios servicios presentes en el mercado para algunos de los casos de uso descritos anteriormente, como se puede ver en la tabla a continuación, extraída de aquí:

Actividades agrícolas	Ejemplos de empresas de IA
Control de malezas	Blue River Technology
Cosecha y empaque	Harvest CROO Robotics
Diagnóstico de plagas y defectos del suelo	PEAT
Análisis del suelo	Trace Genomics
Monitoreo de salud de cultivos	VineView
Adelgazamiento de lechuga	Blue River Technology
Tractores autónomos	Autonomous Tractor Corp

Conclusiones

Como se ha visto a lo largo de esta entrada de blog, la tendencia en la agricultura se encamina hacia el big data y el uso de IA. Para más información sobre este tema, consulta estas dos revisiones amplias del tema (este artículo y este otro). Esperamos que los casos de uso discutidos hayan ampliado tu visión sobre este tema, y, como siempre, no dudes en contactarnos si tienes alguna pregunta.

¿Quieres seguir profundizando en esta idea?

Reserva una reunión con Kelwin Fernandes

Conoce a Kelwin Más información