Agricultores de Córdoba-Colombia, usan Machine Learning para mejorar sus rendimientos.

Agricultores de Córdoba-Colombia, usan Machine Learning para mejorar sus rendimientos.

noviembre 6, 2019 0 Por Patricio Cuasapaz

La situación crítica de Córdoba hizo que los agricultores entendieran que necesitaban servicios de información para la toma de decisiones: información que les permita decidir sobre qué variedades elegir, cuándo iniciar la siembra e incluso como se deberían manejar ciertos cultivos.

Para el efecto se conformó la Federación Nacional de Cereales y Leguminosas de Colombia –  FENALCE; y con la ayuda de investigadores del CIAT se utilizaron herramientas de big data, basadas en los datos que los agricultores ayudaron a recopilar, para alimentar un sistema de Machine Learning  cuyo objetivo es el de ayudar a que la agricultura sea más eficiente y productiva incluso a medida que cambia el clima.

Según el estudio publicado en Global Food Security en el 2019, “La variabilidad climática representa el 39% de la variabilidad del rendimiento anual del maíz”. Y de allí que agricultores con una visión más empresarial han venido implementando sistemas de información que les permita tomar mejores decisiones en el campo. Sin embargo, el mismo estudio cita que “Alrededor de una cuarta parte de los alimentos del mundo se producen en granjas de menos de 2 ha” y que son precisamente a menudo enfrentan severas restricciones financieras y de infraestructura.

Solo una pequeña fracción de agricultores tiene acceso a los nuevos avances comercialmente disponibles en tecnologías agrícolas digitales. La mayoría de las granjas permanecen sin acceso a Internet.

De la misma manera otro de los problemas frecuentes es que los pequeños agricultores de los países en desarrollo no mantienen registros agrícolas rutinarios (en Ecuador y en algunos países de Latinoamérica conoce a esto como libreta de campo); y más aún, no poseen acceso a la información sobre las condiciones climáticas.

“Los agricultores con frecuencia reciben un paquete tecnológico de tómalo o déjalo basado en los resultados de parcelas experimentales gestionadas por investigadores. Sin embargo, los agricultores, en general, prefieren discutir recomendaciones.”

El proyecto tomo como ejemplo el caso del maíz (Zea mays) en Córdoba, Colombia en el 2013, cuando se logra firmar un acuerdo entre varias federaciones de productores, el CIAT y el Ministerio de Agricultura y Desarrollo Rural MADR, para fortalecer el sector agrícola colombiano con énfasis en la capacidad de adaptarse a la variabilidad climática

“El proyecto se basó en: la recopilación y compilación de datos básicos sobre el cultivo y los factores que influyen en la productividad; análisis e interpretación de los datos recopilados; y presentación del conocimiento generado a los productores y sus representantes en un formato fácilmente comprensible y utilizable.”

Los registros mantenidos por los agricultores o las organizaciones de agricultores se recopilaban mediante la web (más tarde llamada SIRIA) para recopilar y mantener datos de granjas individuales, que más tarde se cambió por una aplicación móvil y que era manejado por técnicos que visitaron a los productores al menos tres veces durante el ciclo del cultivo. Los datos se verificaron manualmente para detectar errores comunes. Se descartaron aquellas variables con más del 30% de datos faltantes.

Para la información acerca de los suelos se utilizó RASTA.

Los datos climáticos se obtuvieron del Instituto Nacional de Hidrología, Meteorología y Estudios Ambientales (IDEAM).

Para evaluar la efectividad de las recomendaciones de manejo del cultivo basadas en datos, se estableció un experimento de investigación participativa de bajo costo en los campos de los agricultores. Se eligieron seis campos, que los agricultores estaban a punto de plantar. Cada agricultor reservó media hectárea para evaluar las pautas de manejo basadas en datos. FENALCE pagó los costos adicionales relacionados con las prácticas de gestión recomendadas.

Entre los resultados presentados, se indica que la plataforma resulto ineficiente y lenta, por lo cual se tuvo que levantar la información manualmente. De las 400 parcelas identificadas se terminaron usando 238 para el análisis final.

El análisis permitió desarrollar cinco prácticas de manejo para ser evaluadas en los ensayos en la granja en términos generales: (i) aplicar más de 0.015 t ha-1 de fósforo, (ii) buscar una densidad de plantas (20 DAE) entre 65,000 y 75,000 plantas ha-1, (iii) usar cosecha mecánica (iv) cultivar de plantas: Pioneer P3966, 30F35HRR o Pioneer 30F35H; y (v) cuando se espera lluvia intensa, asegúrese de que los canales y zanjas de drenaje de la superficie estén limpios y en buenas condiciones. Además de varias recomendaciones específicas para el sitio.

Los agricultores se clasificaron en 3 grupos (F) que aplicó todas las prácticas identificadas como ventajosas por el análisis, (N) para aquellos que no implementaron ninguna de las prácticas y (P) fueron los que utilizaron algunas de las prácticas. Los productores que usaron las cinco prácticas ventajosas produjeron en promedio 2.5 t ha-1 más de maíz.

Los resultados obtenidos brindaron confianza a los agricultores y ésta confianza se transmitía entre los agricultores locales, de la misma forma los técnicos locales se encontraban más confiados en sus recomendaciones que ahora se basaban en datos obtenidos localmente.

«Hoy podemos recopilar cantidades masivas de datos, pero no se puede simplemente agrupar, procesar en una máquina y tomar una decisión», dijo Daniel Jiménez, científico de datos del CIAT y autor principal del estudio.

Durante el estudio de cuatro años, Jiménez y sus colegas analizaron los datos y verificaron las pautas desarrolladas para aumentar la producción. Algunos agricultores siguieron inmediatamente las pautas, mientras que otros esperaron hasta que se verificaran en ensayos de campo. Los agricultores que adoptaron el conjunto completo de pautas generadas vieron aumentar sus rendimientos de un promedio de 3.5 toneladas por hectárea a más de 6 toneladas por hectárea. Este es un excelente rendimiento para el maíz de secano en la región.

Las pautas también redujeron sustancialmente los costos de fertilizantes y brindaron asesoramiento sobre cómo reducir los riesgos relacionados con la variación en los patrones climáticos, con énfasis en reducir los impactos negativos de las fuertes lluvias.

El estudio demostró que la cantidad de fósforo aplicada, la densidad de siembra y la capacidad de escorrentía en el campo tuvieron un impacto importante en los niveles de rendimiento. La comprensión de los efectos de los insumos en los cultivos permitió a los expertos guiar a los pequeños agricultores hacia las mejores prácticas a utilizar para producir rendimientos altos y estables.

El resultado para los agricultores es que la mayoría de las prácticas de manejo que recomienda el estudio no requieren grandes inversiones, lo que demuestra que la seguridad alimentaria y los medios de vida pueden mejorarse, al menos en este caso, sin mayores gastos.

Fuentes: