El aprendizaje profundo y la inteligencia artificial al servicio de una agricultura cada vez más sustentable

La agricultura inteligente es una gran aliada a la hora de enfrentar los desafíos de la producción agrícola en términos de productividad, impacto ambiental, seguridad alimentaria y sustentabilidad.

Por: Permingeat, H.

En un contexto atravesado por la pandemia del COVID-19, la sociedad experimentó como nunca antes y de manera generalizada alguna de las ventajas del mundo digital. El teletrabajo y las reuniones virtuales son dos pequeñísimas muestras que nos han permitido dimensionar la importancia tecnológica a la que viene atado ese mundo digital. Sin embargo, aún no hemos tomado real conciencia de las oportunidades que nos ofrece ese mundo en el manejo de nuestros sistemas de producción.

Los humanos superamos nuestro límite del proceso de pensamiento y estamos tratando de fusionar el cerebro normal con uno artificial. Esta exploración continua dio origen a un campo completamente nuevo: la Inteligencia Artificial (IA). La IA es el proceso por el cual un humano puede hacer una máquina inteligente. La IA pertenece al área de dominio de la informática que puede discernir su entorno y debe prosperar para maximizar la tasa de éxito. La

IA debería poder hacer un trabajo basado en el aprendizaje anterior. El aprendizaje profundo, la red neuronal convolucional, la red neuronal artificial y el aprendizaje automático (DL, CNN, ANN, AL, como se conocen por sus siglas en inglés, respectivamente, y que comenzarán a resultarnos familiares en el futuro) son ciertos dominios que mejoran el trabajo de la máquina y ayudan a desarrollar una tecnología más avanzada. Estos conceptos ya están presentes entre nosotros y se aplican en diferentes áreas, como la agricultura de precisión, agricultura digital o agricultura inteligente, significando el uso de sistemas informáticos de alta tecnología para calcular diferentes parámetros de la producción agropecuaria, como la detección de malezas, la predicción de cultivos, la estimación de rendimiento, la calidad de los cultivos y muchas más técnicas de aprendizaje automático (Jha y col., 2019).

Según Santos y col. (2019), la agricultura inteligente es importante para enfrentar los desafíos de la producción agrícola en términos de productividad, impacto ambiental, seguridad alimentaria y sostenibilidad. Para abordar estos desafíos es necesario analizar y comprender los ecosistemas agrícolas que implican un monitoreo constante de diferentes variables. Esto crea enormes cantidades de datos que deben almacenarse y procesarse en tiempo real para algunas operaciones. Estos datos pueden estar constituidos por imágenes, que pueden procesarse con diferentes técnicas de análisis de imágenes para las aplicaciones que definimos anteriormente (la identificación de enfermedades, el reconocimiento de plantas, la cobertura del suelo y la identificación de malezas, entre otros) y en diferentes contextos agrícolas.

Algunas de las técnicas de procesamiento de imágenes se basan en procesos de aprendizaje automático, máquinas de vectores de soporte (SVM) y redes neuronales artificiales (ANN). El aprendizaje profundo (DL) es un enfoque moderno que se empleó con éxito en varios dominios y se inserta en técnicas de aprendizaje automático, con mejor capacidad de aprendizaje y, por lo tanto, tiene una mayor precisión de clasificación. Para automatizar completamente una plataforma robótica mediante el DL, se necesita grandes cantidades de energía y esto podría representar una limitación para una plataforma robótica que generalmente es eléctrica y funciona con baterías. No siempre es factible ejecutar en terrenos agrícolas remotos las herramientas del DL necesarias en una computadora remota y, de este modo, extender la vida útil de la batería de plataformas no tripuladas. La aplicación de sistemas de Internet de las cosas (IoT) es otro aspecto muy importante dentro del campo de la agricultura inteligente, dado que brinda la información requerida por los agricultores que toman decisiones para la producción agrícola. El clima, por ejemplo, tiene un gran impacto en el desarrollo agrícola y la planificación anticipada puede reducir efectivamente las pérdidas al pronosticar el clima a mediano y largo plazo. Igualmente, también tiene una importancia clave para la gestión agrícola y el seguro agrícola. Así, los sistemas de IoT contribuyen al logro de una mayor productividad, rentabilidad sostenible y productos de mayor calidad basados en la tecnología de la información. La agricultura de precisión tiene un gran potencial y puede hacer una contribución significativa a la producción, la seguridad y la protección de los alimentos.

Una dirección de investigación importante del sistema de IoT para la agricultura de precisión apunta a proporcionar un entorno específico para la productividad en respuesta a los cambios climáticos, como la temperatura y la humedad, para optimizar el uso de los recursos, incluidos la energía, el espacio y la mano de obra, y para lograr aún más producción y de manera más eficiente (Jin y col., 2020). Estos autores enfatizan que la predicción precisa de las condiciones climáticas futuras (a mediano y largo plazo) puede ayudar a los distintos actores de la producción en la toma de decisiones para una producción agrícola sostenible. Gracias a la alta frecuencia de muestreo, los datos se recopilan y almacenan a gran escala en sistemas de IoT, lo que permite analizarlos, y así descubrir nueva información y predecir perspectivas futuras.

...la agricultura moderna busca gestionar los cultivos en entornos controlados, como los invernaderos, que pueden mejorar la producción de plantas y manejar las condiciones ambientales de áreas geográficas específicas para obtener productos importados localmente.

En el mismo sentido, Zheng y col. (2019) discuten que la agricultura moderna busca gestionar los cultivos en entornos controlados, como los invernaderos, que pueden mejorar la producción de plantas y manejar las condiciones ambientales de áreas geográficas específicas para obtener productos importados localmente. Además, se pueden evitar las variaciones climáticas severas y también las enfermedades que afectan la producción y la calidad de los cultivos con una aplicación integral de nuevas tecnologías de monitoreo e información que incluyen Internet de las cosas (IoT), robots autónomos y teléfonos inteligentes. Ahora es posible obtener un estado altamente preciso de los cultivos y tomar decisiones razonables para administrar el riego, cambiar los factores climáticos o enriquecer la nutrición del suelo en los diferentes escenarios agrícolas. Con los datos del sensor, obtenidos y transmitidos por IoT, se pueden utilizar teléfonos inteligentes para monitorear de forma remota los cultivos, entender el estado de la administración con precisión y con análisis estadísticos, e instruir a los robots para que realicen tareas agrícolas.

En la escala de invernaderos, se está aprovechando la integración de diferentes tecnologías con una intervención humana eficiente, aunque el nivel actual de IA en máquinas y sistemas agrícolas está lejos de lograr operaciones y gestión automatizada que requieren una supervisión mínima para optimizar la producción, teniendo en cuenta la variabilidad y la incertidumbre dentro de la agricultura de precisión. Es decir, las redes de aprendizaje profundo que logran un rendimiento de vanguardia en otros campos de investigación no son aún adecuadas para tareas agrícolas de gestión de cultivos como el riego, la recolección, la pulverización de productos fitosanitarios y la fertilización. La causa dominante es que no hay conjuntos de datos públicos de referencia diseñados específicamente para varias misiones agrícolas, lo que limita la aplicación adicional de la tecnología de aprendizaje profundo y el desarrollo más amplio de la inteligencia en los invernaderos. Estas situaciones demuestran la necesidad de construir conjuntos de datos de cultivos apropiados aprovechando al máximo varios dispositivos de recolección para redes más profundas y más amplias para generar mejores resultados (Zheng y col., 2019). Algunas herramientas para generar y recolectar esos datos están en procesos de validación. Una de ellas se llama CropDeep.

Smith (2020) invita a los agricultores y a las organizaciones agrícolas a considerar cómo la IA puede ayudarlos en sus negocios, involucrándose en el punto de entrada más accesible. El autor define que la adopción de IA traerá desafíos y cambios significativos en los estilos de vida y, como resultado, los estudios de los impactos de las tecnologías de IA en la agricultura serán importantes para identificar y minimizar los efectos negativos no deseados de la cadena de producción. Su estudio hace foco en sistemas de producción animal y somete a los datos a 4 tipos de análisis: a) el análisis descriptivo: el cálculo se usa solo para proporcionar datos o información a los humanos para procesar y basar las decisiones. Un ejemplo en la agricultura puede ser el análisis que produce un mapa de campo de alta resolución espacial para indicar variaciones en la calidad y cantidad del forraje; b) en el análisis de diagnóstico, la computación produce relaciones entre conjuntos de datos que pueden implicar causalidad, como por ejemplo las relaciones entre los componentes nutricionales de los alimentos para animales y los rendimientos de leche o la calidad de la carne; c) en el análisis predictivo, el cálculo se usa para predecir lo que sucedería en el espacio o el tiempo. Un ejemplo sería predecir cuándo es probable que los cultivos sean lo suficientemente maduros para la cosecha; y d) en el análisis prescriptivo, el cálculo se utiliza para realizar o tomar las acciones recomendadas. Un ejemplo podría ser hacer sonar una alarma cuando se observa a una persona no reconocida ingresando en una propiedad rural. Así, la IA puede aparecer en todos estos tipos de análisis y el valor para los agricultores se derivará de cada uno. La obtención de valor de la analítica a menudo comienza en el extremo descriptivo y de diagnóstico, antes de que se genere suficiente comprensión para saber cómo implementar una analítica predictiva o prescriptiva.

Finalmente, Eli-Chukwu (2019) destaca que el concepto principal de IA en la agricultura es su flexibilidad, su alto rendimiento, precisión y rentabilidad, y el autor concluye su discusión resaltando la importancia de la IA. Se espera que la población mundial alcance más de nueve mil millones de habitantes en 2050, lo que requerirá un aumento del 70 % de la producción agrícola para satisfacer la demanda de alimentos. Sólo alrededor del 10 % de este aumento de la producción puede provenir de tierras no utilizadas y el resto debe cubrirse mediante la intensificación de la producción actual. En este contexto, el uso de las últimas soluciones tecnológicas para que la agricultura sea más eficiente sigue siendo una gran necesidad. Las estrategias actuales para intensificar la producción agrícola requieren altos insumos energéticos y el mercado demanda alimentos de gran calidad. La robótica y los sistemas autónomos (RAS) están configurados para transformar las industrias globales junto con otras áreas del conocimiento (tecnologías vinculadas a la biología y a la genética) que conduzcan a un aumento del potencial de rendimiento de las cosechas.

REFERENCIAS

• Sanderson MR. (2020). Here we are: Agriculture and Human Values in the Coronavirus (COVID‐19) pandemic. Agriculture and Human Values, https://doi.org/10.1007/s10460-020-10040-w.

• Eli-Chukwu NC. (2019). Applications of Artificial Intelligence in Agriculture: A Review. Engineering, Technology & Applied Science Research, 9: 4377-4383

• Jha K, Doshi A, Patel P, Shah M. (2019). A comprehensive review on automation in agriculture using artificial intelligence. Artificial Intelligence in Agriculture 2: 1–12

• Jin XB, Yu XH, Wang XY, Bai YT, Su TL and Kong JL. (2020). Deep Learning Predictor for Sustainable Precision Agriculture Based on Internet of Things System. Sustainability, 12, 1433: 1-18

• Santos L, Santos FN, Moura Oliveira P, and Shinde P. (2019). Deep Learning applications in agriculture: a short review. In: Silva M., Luís Lima J., Reis L., Sanfeliu A., Tardioli D. (eds) Robot: Fourth Iberian Robotics Conference. ROBOT 2019. Advances in Intelligent Systems and Computing, vol 1092. Springer, Cham, pp 139-151

• Smith MJ. (2020). Getting value from artificial intelligence in agriculture. Animal Production Science, 60: 46–54

• Zheng YY, Kong JL, Jin XB, Wang XY, Su TL and Zuo M. (2019). CropDeep: The Crop Vision Dataset for Deep-Learning-Based Classification and Detection in Precision Agriculture. Sensors, 19, 1058: 1-21.

Podés encontrar más contenido en la Biblioteca Digital Aapresid

www.aapresid.org.ar/biblioteca/