Cómo tomar datos que puedan ser utilizados para el provecho del negocio agrícola.
Por otra parte, a pesar de los avances en infraestructura digital, el desarrollo humano en esta área en el sector agropecuario no va siempre al mismo ritmo. Pero es una tendencia que se está rompiendo. Por ejemplo, mientras que en el 2020 un 82% de los agricultores alemanes usaban alguna tecnología smart farm, hoy en día en Chile solo un 3% los fruticultores lo tiene integrado a su negocio y otros 69% están en una fase de adopción inicial según el estudio de Universidad de Lleida – España y Conecta Educación – Chile.
Fuentes y uso más fácil de la información
Los datos en las empresas agrícolas pueden provenir de fuentes internas, creando y almacenando sus datos propios en forma automática (ej: directo a un servidor), semiautomática (ej: formulario digital) o manual (ej: digitalización de datos manuales). Por otra parte, las fuentes externas de datos de una empresa, pueden proceder de datos descargados y almacenados de entidades públicas/privadas, como por ejemplo información de datos climáticos, series de precios de ODEPA, datos de NDVI, etc.
Es aquí cuando se crea la oportunidad de combinar fuentes de datos internas y externas. Pero también es durante este proceso cuando ocurren la mayoría de los problemas. En ocasiones la rotación de personal, insuficiente conocimiento, falta de disciplina o automatización en la captura y almacenamiento de datos son un verdadero obstáculo, que termina generando un análisis con datos mal procesados o que sencillamente quedan guardados sin ser utilizados.
Para facilitar el uso de datos, aquí les comentamos tres de las formas de estructurar los datos con ejemplos sencillos que usted mismo puede utilizar. Ver tabla 1.
1 Series de tiempo (variables que cambian en virtud del tiempo)
2 Datos transversales (una variable es fija, mientras que el resto van cambiando)
3 Panel de datos (mezcla que combina características de series de tiempo y datos transversales, muy útil para almacenar datos de naturaleza temporal y atemporal juntos).
Una vez que tenemos los datos organizados, solo debemos asegurar que las variables registradas sean de naturaleza estable y comparable durante el tiempo, siendo lo más objetiva posible para poder entregar esta información a analistas y empresas especializadas y así extraer información valiosa y útil para el futuro de su negocio.
Ejemplo del uso de datos en la agricultura
Un ejemplo claro del valor y la oportunidad que generan la captura de datos estructurada y el poder transformador de la tecnología es la aplicación de una plataforma deI A de una empresa chilena en los campos de caña de azúcar en Perú. Este caso ejemplifica cómo la adopción de modelos ecofisiológicos avanzados y la inteligencia artificial (IA) puede revolucionar la agricultura, específicamente en la producción de caña de azúcar, marcando un antes y un después en la forma en que los productores gestionan y pronostican sus cosechas.
El viaje de esta plataforma comenzó con la identificación de una necesidad crítica: mejorar la precisión en la predicción de la producción de caña de azúcar. Frente a este desafío, se optó por una estrategia innovadora que combinaba transferencia de aprendizaje con la aplicación de modelos ecofisiológicos avanzados. Utilizando IA, se logró predecir la producción de azúcar por hectárea con seis meses de anticipación y una impresionante asertividad del 95,3% para dos variedades de caña de azúcar.
La base de este éxito radicó en la exhaustiva recolección y análisis de datos, que abarcó desde información agroclimática histórica y actual hasta detallados registros de biometrías y rendimientos de cosecha. Este enfoque holístico permitió no solo anticiparse a las condiciones de cultivo sino también adaptarse proactivamente a ellas. Los modelos utilizados ofrecieron una visión profunda del comportamiento fisiológico de la caña de azúcar, desde su crecimiento hasta la cosecha, considerando variables críticas como el clima, el estado del cultivo y prácticas de manejo como el riego y la fertilización. El proyecto enfrentó desafíos significativos, en especial el impacto potencial del fenómeno de El Niño. Sin embargo, la disponibilidad de datos desde 2015 permitió reentrenar con éxito los modelos, manteniendo su alta asertividad a pesar de las adversas condiciones climáticas. Este logro subraya la importancia de contar con registros históricos robustos y actualizados para la adaptabilidad y resiliencia de los sistemas de predicción basados en IA.
Más allá de la precisión en la predicción, este caso destaca por su contribución a una agricultura más sostenible y respetuosa con el medio ambiente. La implementación de estos modelos ha permitido una gestión más eficiente de los recursos, reduciendo los costos operativos y alineando la producción de azúcar de caña con prácticas agrícolas sostenibles. Este enfoque no solo beneficia económicamente a los productores, sino que también contribuye a la regeneración de ecosistemas y promueve un uso responsable de recursos naturales, estableciendo un modelo a seguir frente al cambio climático.
Este caso de una empresa de IA chilena en la industria agrícola peruana es un testimonio poderoso de cómo los datos, la tecnología y el conocimiento especializado pueden transformar la agricultura. Ilustra un camino hacia una agricultura más inteligente, sostenible y preparada para los desafíos del futuro.
