top of page
Buscar

Las imágenes satelitales han estado disponibles durante 25 años. ¿Porqué no todos las utilizan?

Si las imágenes satelitales han estado disponibles durante los últimos 25 años, ¿porqué no todos las utilizan? Digital Harvest cree tener la respuesta.

Satélite viendo hacia el planeta Tierra
Photo by NASA on Unsplash.

En el año 2014-15, Digital harvest era una compañía de imágenes áreas. La empresa volaba sensores personalizados cargados en aviones para producir imágenes de alta resolución. Los productores encontraban “interesantes” los datos producidos, en algunos aspectos. Si las imágenes eran tomadas y analizadas rápidamente en el momento adecuado, un productor podía realizar algo al respecto. Por ejemplo, la detección temprana de fallas permitiría que se hicieran operaciones limitadas de resiembra para mejorar la producción.


La mayoría de las veces, independientemente del cultivo, las imágenes confirmaban y cuantificaban algo que el productor ya sabía. Tal vez tenían algunos puntos bajos que creaban problemas con el riego, o el borde expuesto al viento presentaba problemas de salud del cultivo, o había una porción de suelo con bajo contenido de materia orgánica donde los rendimientos eran pobres. Generalmente, los productores tienen conocimiento de qué acción tomar para aliviar un problema; nivelar la tierra, construir un rompevientos, variar la aplicación del fertilizante, entre otros. Estos conocimientos tienen un valor cuantitativo, pero no son revolucionarios.


En este sentido, un indicador que se ve problemático en una imagen puede ser sólo una condición temporal. Tal vez un valor bajo de NDVI en una parte del campo no sea un problema en absoluto, esa zona tiene un historial de buen rendimiento y está sólo unos días atrasada en el crecimiento del follaje. Hacer una evaluación correcta requiere observar una serie temporal de múltiples imágenes. Incluso después de reunir los datos, a una organización le representa una cantidad significativa de tiempo y recursos hacer uso de ellos, y aún así, estos pueden estar sujeto a interpretación. El uso de imágenes a escala conlleva una alta "carga interpretativa".


Entonces, ¿qué es lo que faltaba? Digital Harvest observó que casi toda la curiosidad puesta en tener datos analíticos detallados tenía una razón común: la comprensión y predicción del rendimiento. Cuantificar con precisión la relación entre los factores que afectan al cultivo y los resultados de la producción es clave. Si hubiera una forma de predecir perfectamente los resultados de rendimiento bajo cualquier combinación de factores, se podría determinar algorítmicamente una solución óptima que se escalara desde cultivos individuales hasta regiones enteras y se utilizará para maximizar los beneficios.


La predicción perfecta es prácticamente imposible, pero ¿cuán precisa puede ser? ¿Será esa precisión lo suficientemente buena? Una cosa estaba clara, cualquier modelo predictivo bueno tenía que ser específico para cada cultivo, no habría manera de predecir universalmente el rendimiento de todos los cultivos. La caña de azúcar, un robusto cultivo fotosintético C4 con un rendimiento útil estrechamente relacionado con su biomasa era un cultivo perfecto para comenzar. Digital Harvest invirtió casi 2 años realizando proyectos para los productores de caña de azúcar acerca de cómo la predicción del rendimiento es realizada por los ingenios, y cómo podría hacerse con el vasto conjunto de datos disponibles en la era moderna sin necesidad de que el usuario lo interprete.

Campo de caña de azúcar siendo cosechado por un tractor

Los resultados mostraron que un modelo biofísico multicapa combinado con un enfoque de aprendizaje automático supervisado permitía realizar estimaciones de rendimiento a nivel de campo con un error inferior al 8% (MAPE). Cuando se consideraron múltiples campos, los errores estacionales alcanzaron valores menores al 1% a nivel de ingenio. Estas estimaciones podían hacerse con meses de antelación mediante el uso de datos de satélite de bajo costo, datos meteorológicos diarios y mínimos datos sobre el cultivo. Para muchos ingenios, la predicción del rendimiento con este nivel de precisión tiene un valor de planificación financiera significativo por sí solo.


Este error fue lo suficientemente bajo como para comenzar a optimizar los programas de cosecha. Digital Harvest descubrió que en un plazo de varios años, en un caso de referencia que abarcaba 80.000 hectáreas en Florida (EE.UU.), se podían obtener 2,5 toneladas adicionales de caña por hectárea (con la misma fracción media de sacarosa), con sólo cambiar el orden de cosecha de los campos, acortando el tiempo de crecimiento de los cultivos que se acercan a su potencial productivo y alargando el de los cultivos que aumentarían su biomasa en ese tiempo. Esa solución óptima puede hacerse sin necesidad de adquirir nuevos equipos o de aumentar significativamente los tratamientos químicos.


El siguiente desafío es comprimir el análisis en un producto que pueda ser entregado a los productores de caña de azúcar de todo el mundo, manteniendo al mismo tiempo la capacidad de adaptarlo a entornos únicos. El enfoque de modelización biofísica por capas y de aprendizaje automático ofrece la oportunidad de comenzar rápidamente con predicciones "aproximadas" de rendimiento realizadas por el modelo biofísico, mientras que los datos de entrenamiento se reúnen y procesan para calibrar la capa de aprendizaje automático a fin de alcanzar el nivel de error del 8%. Digital Harvest espera que este enfoque resuene entre los productores e ingenios de caña de azúcar de todo el mundo.


Digital Harvest está llevando a cabo un programa de prueba para trabajar con un número limitado de ingenios azucareros en cada país nuevo.


Si están interesados en participar en nuestro programa pueden acceder a:


bottom of page