Cómo reducir el error en tu planificación de cosecha al 5%

persona con tablet en campo
Cómo reducir el error en tu planificación de cosecha al 5%

Tabla de contenidos

Año tras año planeas qué días vas a empezar la recolección o cuántos kilos van a dar tus cultivos, ¿Pero no te pasa que el error de esa planificación muchas veces es demasiado grande, y que la improvisación muchas veces gana a la planificación?

Para disminuir este tipo de errores existe un tipo de tecnología llamado Inteligencia Artificial (IA), que predice de manera fiable qué pasará en cada campaña. Así nos ayuda a tomar decisiones más rentables para nuestros cultivos.

Sabiendo esto, es probable que te estés preguntando: ¿Cómo hace la Inteligencia Artificial para predecir cómo irá una campaña? ¿Es complejo utilizarla? En este artículo te explicaremos qué es la IA y qué método seguir para que te dé resultados muy fiables.

Datos inútiles vs planificación

Como te será familiar, en el mundo agrícola muchas veces se toman gran cantidad de datos y mediciones que después no sabemos muy bien cómo utilizar para tomar decisiones.

Otro hecho recurrente es el de no saber si los datos que se recogen en campo están tomados correctamente y/o de manera homogénea, sobre todo cuando la responsabilidad de la toma de datos recae en varios técnicos o productores.

Esta tarea de ir al campo y apuntar en un papel todo lo que creemos necesario puede ser muy compleja y a la vez algo en lo que perdamos mucho tiempo. Debemos tener muchos factores en cuenta:

  • Cuándo tomar los datos,
  • Dónde tomar los datos,
  • Qué datos recoger,
  • Cómo recoger los datos

Esta complejidad nos puede llevar a improvisar o no ser constantes en la recogida de toda la información. Esta falta de compromiso con los datos puede hacer que estos no sean suficientemente fiables y, por tanto, afecten a la fiabilidad de los modelos de IA.

Es por ello que se vuelve importante tener un buen método que nos guíe a la hora de seleccionar: el momento, el lugar, los índices que se deben recoger y, sobre todo, el cómo recogerlos (¿Papel, Excel…?).

En el “cómo recoger los datos” entran en juego las herramientas tecnológicas, que facilitan mucho el trabajo, y nos ahorran tiempo y dinero.

En pleno siglo XXI estamos rodeados de smartphones y apps por todas partes. ¿Por qué no utilizarlas también cuando trabajamos desde el campo?

Estas herramientas tecnológicas nos ayudan a tomar datos objetivos y de calidad sobre nuestro cultivo.

Así estandarizamos una buena metodología de digitalización de datos en campo para mejorar nuestras decisiones:

  • Minimizando errores en la toma de datos.
  • Ahorrando tiempo al equipo técnico en la toma de datos.
  • Centralizando la información en una única solución.

La inteligencia artificial en agricultura es una realidad

La IA puede ayudarnos a tomar decisiones económicas y también darnos apoyo en aspectos puramente agronómicos.

Cada vez escuchamos más el término “Inteligencia Artificial” en ámbitos como las aplicaciones móviles, reconocimiento facial, de voz… pero últimamente seguro que lo has escuchado más dentro del sector agrícola.

Eso es porque, en la agricultura, la IA ha probado ser realmente efectivo y práctico.

Una de las funciones de la IA en el mundo agro son la predicción de cosechas, sobre todo con los siguientes enfoques:

  • Predicción del volumen de la cosecha (rendimientos o kg/ha, por ejemplo).
  • Predicción de maduración, para saber cuando es el momento óptimo para realizar la cosecha, basándonos en unos indicadores de calidad de nuestro cultivo (pH, acidez, aceites, azúcares…).
  • Predicción meteorológica sin necesidad de instalar estaciones meteorológicas (ver estaciones meteorológicas virtuales).
Predicción de grado alcohólico con modelo IA desarrollado por RawData

Ambos tipos de predicciones pueden guiarnos en la optimización de las decisiones implícitas en la planificación de cosecha, como por ejemplo:

  • Anticiparse en el momento de comprar producto a proveedores, y así ganar una posición estratégica a la hora de tomar decisiones estratégicas y comerciales.
  • Negociar contratos de venta con clientes con una mayor tranquilidad, reduciendo conflictos en fechas de entrega y volúmenes.
  • Reducir costes de producción gracias a una mejor eficiencia de la gestión de los recursos, como por ejemplo el número de personas necesarias y el momento de la contratación.
  • Ganar fiabilidad de cara a nuestros clientes, mejorando nuestra reputación como empresa y como marca.

Ahora que seguro que entiendes que la IA también es una herramienta muy útil para el sector agrícola, debemos entender qué datos son necesarios para que los resultados de predicciones de cosecha sean de la máxima fiabilidad.

Planificación de cosecha con inteligencia artificial

Dando valor a los datos que ya se pueden obtener

Para que la IA aprenda de manera correcta, es necesario que disponga de datos de buena calidad.

La Inteligencia Artificial consiste en una serie de tecnologías que pueden hacer suposiciones, probarlas y aprender de ellas de una forma autónoma.

La característica más importante de la IA es que este aprendizaje autónomo se alimenta de los patrones o características que el sistema encuentra en los datos históricos que vamos introduciendo.

Por eso, para que el sistema aprenda de manera correcta, es necesario que disponga de estos datos de buena calidad. Y aquí, es donde entras tú como técnico/a o productor/a y/o como empresa agroalimentaria.

Actualmente, las 2 principales fuentes de datos de las que soléis disponer los técnicos/empresas son las siguientes:

  • Sistema de gestión o ERP, donde encontraremos registros de producciones históricas por parcela, variedad, zona, cultivo, productor, etc. También encontraremos información del parcelario (incluso, algunas veces, geolocalizado).
  • Registros en campo. Si el equipo técnico o incluso los propios productores toman datos de calidad en campo (como aforos, controles de maduración, afectación de plagas o enfermedades…etc), estos representan una fuente de datos muy importante.

Aparte, estas dos fuentes de datos suelen complementarse con otras fuentes de información, como datos meteorológicos, imágenes satelitales, mapas de suelos o geolocalización de parcelas.

El método RawData

El método RawData evita la improvisación y, sobre todo, los grandes márgenes de error.

Con el objetivo de reducir las desviaciones en la planificación de cosecha, en RawData pensamos en crear un método de recogida de datos en campo fácil y sencilla para añadir una fuente de datos muy valiosa a los modelos de IA.

Este método se basa en digitalizar datos desde campo en unos puntos básicos:

  1. Selección de parcelas representativas
  2. Registro de datos de aforo y de maduración en campo

Con estos simples pasos que más abajo verás, podemos asegurarnos el conseguir un histórico de calidad y que realmente nos ayude a tomar decisiones valiosas. Evitando la improvisación y sobre todo esos grandes márgenes de error.

Primera etapa: selección de parcelas representativas

La selección de las parcelas consiste en escoger (con el apoyo de información y de tecnología) las parcelas más representativas de cada variedad, que serán objeto de seguimiento y de control.

De cada parcela, seleccionaremos un número (reducido, 10 por ejemplo) de árboles en zonas que previamente hemos seleccionado a través de imágenes satelitales, para estar seguros de tomar datos representativos.

Que un árbol sea representativo quiere decir que este árbol nos dará información veraz de lo que está pasando en todo momento dentro de su propia parcela. Un modo objetivo de esta selección es utilizando imágenes satelitales.

Estas imágenes delimitan las diferentes zonas de vigor de cada parcela y de ahí se puede extraer qué 10 árboles son útiles.

Imagen satelital que muestra el índice NDVI de una parcela en el software de RawData

Segunda etapa: aforo de la producción y control de madurez del fruto

Para la recogida de datos del aforo de la producción o control de madurez del fruto, utilizaremos los árboles que anteriormente se han seleccionado en el punto 1. Es evidente que cada cultivo necesita unos datos específicos como:

Aforo de la producción:

  • Fecha de floración
  • Número de gemas
  • Número de flores
  • Número de frutos
  • Producción final real
  • Otros

Madurez del fruto:

  • pH
  • Acidez
  • Grados Brix
  • Índice de grasa
  • Otros

Por eso, independientemente del tipo de cultivo que tengas y los parámetros que quieras registrar, una base indispensable es la manera de guardar toda esta información de una manera ágil y sencilla.

Aquí entran en juego las herramientas tecnológicas como las aplicaciones móviles, que ayudan a registrar y ordenar toda esta información en pleno campo. Un ejemplo es la aplicación móvil RawData.

Aplicación móvil de RawData

Conclusiones

La Inteligencia artificial aplicada a la planificación de cosecha ya está aportando una reducción de la incertidumbre y por tanto, una mejor toma de decisiones que se transforma en reducción de costes e incrementos del margen operativo.

No obstante, para conseguir alimentar con datos de calidad a los modelos de predicción, es necesario que tanto los técnicos como las propias organizaciones se impliquen en la digitalización y en el mantenimiento de los datos.

Con RawData podrás empezar la transformación hacia la digitalización de tus cultivos utilizando un método que te ayudará a escoger y organizar datos de calidad de una manera sencilla y con apoyo técnico. Ahora puedes obtener una demo aquí.

Un caso de éxito en la aplicación de IA en la planificación de cosechas en viticultura es Covides, que lleva 3 campañas utilizando este tipo de tecnología para conseguir una uva de mayor calidad gracias a la obtención de predicciones de maduración 3 veces más precisas. Lee el caso de éxito aquí.

Publicaciones relacionadas
BigPrediData: Impulsando la Innovación y la Sostenibilidad en el Sector Vitivinícola