Mes: noviembre 2020

e espera que la población de la Tierra alcance los 10 mil millones de personas para 2050 y, como resultado, tendremos que aumentar la producción agrícola hasta en un 70% para alimentar a todos sus habitantes. Ya estamos cultivando casi todos los terrenos disponibles y estamos utilizando cantidades cada vez mayores de fertilizantes y pesticidas sintéticos. De esta forma, estamos poniendo en peligro nuestro frágil ecosistema que atraviesa el cambio climático y la crisis provocada por la contaminación. La solución para este desafío radica en la inteligencia artificial (IA).

Los sensores, robots, satélites, GPS y drones se han convertido en parte de la vida cotidiana y sirven como fuentes de datos invaluables sobre el crecimiento de los cultivos, las características del suelo y las condiciones climáticas. Aunque cada uno de ellos es muy interesante por sí solo, estos conjuntos de datos están alcanzando su máximo potencial solo después de que los agregamos y aplicamos algoritmos avanzados de IA. Existe un duro debate en la comunidad científica sobre si la inteligencia artificial será alguna vez tan creativa como la humana y si alguna vez se volverá consciente de sí misma. En el siglo XXI, las tecnologías de la información nos permiten comprender grandes cantidades de datos y extraer conocimientos ocultos sobre la producción agrícola y los procesos que ocurren dentro de las plantas.

Agricultura tradicional versus agricultura de precisión

De acuerdo con la agricultura tradicional, los campos se tratan de manera homogénea aplicando una tarifa plana de agroquímicos en todo el campo. Sin embargo, la mayoría de los campos muestran una variabilidad espacial significativa que crea diferentes demandas en cada ubicación. Por lo tanto, la aplicación de una dosis general por campo conduce a una aplicación excesiva en las áreas que demandan menos, lo que aumenta el costo de aplicación y el impacto ambiental, y la aplicación insuficiente en las áreas donde las demandas son más altas conduce a una pérdida de rendimiento y posiblemente a una disminución de la calidad. .

En agricultura de precisión, los campos se tratan aplicando tasas variables de insumos (agua de riego, fertilizantes, pesticidas, etc.) de acuerdo con las necesidades reales de cada lugar en el campo. De esta forma se aumenta la eficiencia, se optimizan el rendimiento, la calidad y el impacto al medio ambiente.

En la agricultura moderna, la mecanización y los sensores se desarrollan continuamente, lo que hace que las aplicaciones de agricultura de precisión sean altamente automatizadas y estén disponibles para cada vez más agricultores.

Instituto BioSense

BioSense es un instituto de investigación y desarrollo que se ocupa de la aplicación de TI en biosistemas y es el hogar del Knowledge Discovery Group. Nuestro grupo realiza investigaciones en el área de inteligencia artificial aplicada, aprendizaje automático y análisis de datos en agricultura. BioSense también es líder en paquetes de trabajo en el proyecto IoF2020.

Proyecto DRAGON

En octubre de 2018, BioSense inició la implementación del proyecto Twinning DRAGON – Data-Driven Precision Agriculture Services and Skill Acquisition que ha recibido financiación del programa de investigación e innovación Horizonte 2020 de la Unión Europea en virtud del acuerdo de subvención No 810775.

El proyecto DRAGON tiene como objetivo ayudar a jóvenes ambiciosos a convertirse en expertos y aumentar la capacidad científica y de innovación del Knowledge Discovery Group, que, a través de este proyecto, se convertirá en el Grupo de Conocimiento e Innovación. Los socios clave son dos instituciones reconocidas por su excelencia en el sector de las tecnologías de la información y la agricultura: la Universidad de Wageningen de los Países Bajos (socio líder de IoF2020) y el centro Agri-EPI de Escocia. Brindarán apoyo científico y técnico para nuestra investigación y organización de talleres, escuelas de verano, visitas de investigación y otros eventos que reúnen a la industria y el mundo académico y promueven la transferencia de conocimientos de Europa Occidental a Serbia.

Soluciones BioSense

En BioSense nos dimos cuenta de que el costo del equipo y la complejidad de uso siguen siendo los principales inconvenientes en la adopción de estas tecnologías. Por lo tanto, el instituto BioSense tiene como objetivo desarrollar soluciones de agricultura de precisión de bajo costo y fáciles de usar que se puedan aplicar en cualquier lugar independientemente del tamaño, tipo y antigüedad de la maquinaria agrícola utilizada por los agricultores y hacer de la TI una herramienta importante para impulsar las pequeñas granjas hacia la sostenibilidad. Con este fin, se desarrolló una plataforma digital gratuita basada en la web y en Android llamada «AgroSense» para ayudar a los agricultores en la toma de decisiones y la gestión del campo. Fue lanzado en octubre de 2017 y ya cuenta con más de 10000 usuarios.

Además, los esfuerzos del instituto BioSense se centran en el desarrollo de sensores, aplicaciones y soluciones de bajo costo como el sensor de cultivos “Plant-O-Meter” que puede detectar el estado de los cultivos con un simple escaneo sobre el dosel.

Numerosos sensores y sistemas adicionales, como el sistema de comunicación inalámbrica LORA, los sensores de humedad del suelo, los sensores de fertilidad del suelo y otros, también se encuentran en diferentes etapas de desarrollo y serán completamente funcionales y estarán disponibles en los próximos años.

Con estas nuevas aplicaciones y soluciones de detección, incluso los pequeños agricultores pueden beneficiarse de la difusión de la tecnología de la información en la agricultura, haciendo que la agricultura de precisión sea ampliamente aceptada en los próximos años.

Leer más

martes, 25 de junio de 2019
Para lograr el progreso en la industria agrícola, los especialistas en el campo intentan encontrar respuestas a las cuestiones sobre cómo mejorar el rendimiento de los cultivos, de qué manera utilizar menos recursos en los sembradíos, cuáles métodos o prácticas les ayudan a ser más eficientes en sus procesos, e incluso cómo producir de forma sostenible y amigable con el medio ambiente durante el ciclo agrícola. En el artículo de esta ocasión podrás leer acerca de una de estas soluciones innovadoras que marcarán el futuro de la industria: el proceso de Big Data dentro de la Agricultura de Precisión.

En la industria agrícola, el éxito se obtiene combinando el trabajo y experiencia de los agricultores, las cualidades de excelentes variedades de hortalizas y herramientas innovadoras que lleven los campos al siguiente nivel; Big Data, concepto que se escucha cada vez más cuando se habla de Agricultura de Precisión, es la parte central e imprescindible de estas herramientas.

Big Data, usado en general en una gran variedad de industrias, es el proceso por el cual se almacena y procesa grandes cantidades de información digital para así generar nuevos conocimientos. Entonces, en la agroindustria, esto se entiende como la práctica que permite a los agricultores tomar mejores decisiones en sus ciclos de producción, ayudándose de especialistas y herramientas computacionales que colectan y analizan información obtenida directamente tanto de sus campos como de las hortalizas.

Como ejemplo podemos tomar la siguiente situación: un agricultor tiene problemas con la salud de sus plantas durante la etapa de desarrollo, así que invierte en un sistema de sensores remotos para su suelo agrícola. Esta tecnología le permite conocer distintas variables, como el pH de la tierra, su capacidad de drenaje o la cantidad de material biológico en ella. Con estos datos, es capaz de analizar y hacer ajustes en la cantidad de agua de riego que aplica o la implementación de fertilizantes y otros insumos para el suelo.

Una muestra más de la aplicación del proceso de Big Data podría ser cuando en un ciclo agrícola se utilizan drones con medidores multiespectrales, que pueden captar rayos ultravioleta o infrarrojos y permiten con esto comparar el estado de los sembradíos desde las alturas. Al obtener información sobre porciones de los campos que difieren en temperatura entre sí, se puede llegar a conocer si las plantas de estas zonas sufren de sequía localizada, alguna enfermedad o incluso una infestación de insectos; de esta forma los agricultores saben dónde aplicar insecticidas o agua de manera específica, evitando desperdiciar recursos al utilizarlos en lugares que no los necesitan.

Como vemos, la implementación de estas herramientas, desde sensores y cámaras hasta vehículos aéreos no tripulados, tractores robotizados e incluso satélites, se trata de la forma en que se recolecta la información precisa de lo que ocurre en los sembradíos, mientras que el proceso Big Data es el que se lleva a cabo por medio de programas o aplicaciones digitales que miden y analizan todos estos factores y variables, para dar a los agricultores como resultado conocimiento que ellos pueden usar para tomar decisiones más eficientes.

Las ventajas inmediatas para los agricultores y todos los miembros de la industria no son sólo estas proyecciones precisas de conocimiento, el almacenamiento de datos que pueden ser utilizados en el futuro para crear predicciones de producción o la mejora en las ganancias de los agricultores debido al mejor rendimiento de sus plantas, sino también este proceso de Big Data, que impulsa la Agricultura de Precisión, resulta en la recuperación de los suelos agrícolas y el medio ambiente en general al utilizar los recursos naturales de manera inteligente.

El futuro de la agricultura, si se implementan estas tecnologías informáticas y computacionales, requerirá de especialistas y profesionales que le darán a la industria un nuevo rostro, volviéndola más eficiente y ayudando a todos los agricultores a obtener lo mejor de sus campos, pensando tanto en el medio ambiente como en las familias del mundo a las que se les brindarán hortalizas nutritivas, de la mejor calidad y producidas de manera sustentable.

Como conclusión, recogemos unas palabras de André Laperrière, Director Ejecutivo de Iniciativa Global Open Data para la Agricultura y Nutrición (GODAN por sus siglas en inglés), que compartió durante el Foro Global por las Innovaciones en la Agricultura (GFIA) en junio de 2018. Señaló cómo el Big Data se trata de la llave para desbloquear las innovaciones y el progreso que permitirán aplicar la Agricultura de Precisión:

“La innovación es clave para ayudar al mundo a enfrentar los desafíos que se avecinan en este planeta (…). El conocimiento o los datos son la clave para la innovación y la forma de hacer las cosas de manera diferente, mejores, más baratas y eficientes, más sostenibles. La innovación es clave para el progreso; la innovación en agricultura y nutrición, es el camino necesario para la supervivencia del mundo. La innovación no debe ser para unos pocos, sino para todos los involucrados en el ecosistema alimentario, incluidos los grandes y pequeños agricultores de todas partes del mundo”.

Leer más

Según una encuesta llevada a cabo por Drone Life, solo un tercio de los granjeros tiene planes de utilizar drones este año. En los países menos desarrollados, el número de granjeros usando drones es sin lugar a dudas menor. Esto a pesar del hecho de que los drones nunca han estado más disponibles y adaptados al uso agrario.

Entonces, ¿por qué no hay más granjeros utilizando esta gran nueva tecnología?

¿Pueden los granjeros permitirse los drones?

Invertir en drones, como en la mayor parte de las tecnologías, no es barato. Hay costes de inicio con los drones y después tienes que contar con el software adecuado para utilizarlos y quizá incluso formarte para saber cómo usarlos apropiadamente. Y por supuesto, necesitas reservar dinero por si tus drones se rompen o debes repararlos o reemplazarlos.

Esto suma una cierta cantidad y si los granjeros no están del todo convencidos de que los drones les ayudarán a recuperar su inversión los drones no van a despegar en absoluto.

Will Bignell, el experto en drones de DroneAg confía que cualquiera que compra sus productos y servicios de drones “recupera su dinero, si no es que lo dobla, con la primera producción”.

En la otra cara de la moneda, Kevin Price, un ecologista de la Universidad Estatal de Kansas, predice que los drones pueden ayudar a incrementar los beneficios especialmente en los productos de alto valor, como los tomates.

Todo esto parece sugerir que los drones son solo una opción para el granjero rico que invierte en cultivos de alto valor y tiene dinero de sobra para permitirse los drones en su granja. ¿Es esto cierto? Aquí un ejemplo de lo que cuestan los drones en el mercado actual:

senseFly eBee SQ. Es un dron agrícola muy avanzado equipado con un 5 sensores de espectro, planificación de vuelo avanzada, gestión de vuelo y software de procesamiento de imágenes. Puede cubrir 5 acres muy rápido (para un dron) y te da datos detallados como los niveles de h2o del suelo, temperatura del suelo, recuento de plantas y mucho más. ¿El precio? Más de 12.000$. Un montón de dinero pero te da todos los datos que necesitas en agricultura de precisión, si sabes lo que estás haciendo. No es un dron para principiantes.

PrecisionHawk Crop Scouting Package. Es un dron completo con un conjunto de herramientas ideal para principiantes con drones. Aún así, el precio es de 1.989$, que no es precisamente barato si consideras además sus funcionalidades limitadas. Este dron no tiene los sensores que encontrarás en la gama más alta del mercado. Simplemente tiene cámaras que pueden hacer tareas sencillas como tomar fotografías de los campos o destacar áreas problemáticas desde el cielo, todo ello controlado con una app desde tu teléfono inteligente. ¿Crees que esos 1.989$ están bien gastados, o prefieres dar un paseo por tus campos para detectar los problemas a nivel del suelo?

La mayoría del resto de los drones están en algún punto entre esos dos en términos de precio y funcionalidad. Con tanta variedad de drones disponibles, es el momento de hacerse la pregunta de para qué prefieren los agricultores utilizar los drones en sus granjas.

¿Para qué están utilizando los granjeros los drones?

Volviendo a lo básico, los drones son una manera de comprobar el estado del campo desde el aire. Y es para lo que parece que la mayoría de los granjeros los utilizan.

Ginell dice que para muchos agricultores “los drones en agricultura significan hacer volar un dron alrededor del ganado o para buscar cabezas perdidas, comprobar el estado de los lindes y simplemente, comprobaciones rutinarias” más que para reunir datos para agricultura de precisión.

Cuando miras el coste de los drones agrícolas profesionales no es una sorpresa, pero el coste podría no ser lo único que echa para atrás a los granjeros.

En primer lugar, hay normas aeroespaciales y regulaciones para poder volar los drones. Cambian según el país y la región, asique tienes que comprobarlas antes de volar ningún tipo de dron.

En EEUU necesitas seguir las guías de la FAA para drones además de cualquier otra ley estatal. Para conseguir tu certificado de piloto remoto y poder hacer volar tu dron legalmente necesitas pasar un examen por escrito. Suena fácil, pero pasar el test no significa que realmente sepas cómo hacer volar con seguridad y utilizar todas las funciones de tu dron. Esto se consigue entrenando, o mediante prueba y error con prácticas que pueden ser caras y peligrosas.

Utilizar los datos que los drones recogen de tu granja es el punto principal de la agricultura de precisión. Si no puedes utilizar esos datos para mejorar tu granja y hacer crecer tus cultivos más eficientemente entonces tus drones no son más que unos juguetes muy caros.

Cuando se usan adecuadamente los drones pueden dar datos realmente útiles que puedes utilizar para que tu granja sea mucho más eficiente. Desde cosas como detectar el estrés de las plantas antes de que sea visible a simple vista a determinar los niveles de humedad del suelo en campos e incluso monitorear los hábitos de alimentación del ganado y actuar como un perro ovejero.

¿Hacia dónde va el sector?

Claramente el sector de los drones agrícolas aún tiene un largo camino que recorrer antes de que sea accesible a los granjeros de todo el mundo. Sin embargo, es una tecnología muy necesitada si queremos alimentar a la población en crecimiento con la comida que necesita.

Por suerte, hay soluciones en camino que no dependen para nada de los drones, resolviendo los problemas como tener que aprender a pilotar drones y utilizar sus datos. Por ejemplo, Blue River Technology es una startup agrícola que ha desarrollado una máquina llamada See & Spray para rociar herbicidas en las malas hierbas mientras que no cae ni una gota en los cultivos. La agricultura de precisión no tiene por qué comenzar desde los cielos, de hecho, es la parte de sensores de los drones la que es realmente importante, no la vista aérea.

Como la popularidad de los drones ha explotado, muchos proveedores de servicios de drones han aparecido, lo que significa que puedes alquilar un dron o tener un equipo que haga el trabajo de drones para ti, dándote solo los datos importantes. Recomendamos altamente evaluar esta posibilidad. No solo te da datos muy interesantes de tu propia granja y agricultura de precisión, sino que te dará una prueba de cómo los drones funcionan y esto te ayudará a decidir si son una buena inversión para tu granja de forma permanente.

Cualquier agricultor interesado en llevar a cabo agricultura de precisión no debería echarse atrás por el coste y limitaciones de los drones. Recolectar datos y utilizarlos con sabiduría es la parte importante. ¡Buena suerte!

Leer más

Los avances en las tecnologías de agricultura de precisión brindan oportunidades para mejorar la eficiencia de los sistemas de producción agrícola, especialmente para cultivos especiales de alto valor como las manzanas frescas ( Malus domestica). Distribuimos una encuesta en línea a los productores de manzanas en Washington, Nueva York y Michigan para conocer las percepciones de las partes interesadas sobre las tecnologías de agricultura de precisión. Los resultados de este estudio demostraron que los productores están dispuestos a adoptar tecnologías de agricultura de precisión cuando reciben resultados de proyectos de investigación aplicada y participan en programas de extensión activos. La disponibilidad de servicios personalizados y opciones de compra y alquiler puede minimizar los efectos de las economías de tamaño que crean barreras para adoptar un mayor acceso a las tecnologías. Por último, los encuestados consideraron que los esfuerzos de colaboración entre la industria y las instituciones académicas son cruciales para adaptar la innovación para abordar mejor las necesidades de los productores.

Palabras llave : Malus domestica ; adopción de tecnología ; fruta de arbol
Las tecnologías de agricultura de precisión se han aplicado con éxito en varios sistemas de producción de cultivos de EE. UU. Durante las últimas décadas ( Gebbers y Adamchuk, 2010 ). Las primeras aplicaciones se centraron en monitores de rendimiento y tecnología satelital de posicionamiento global para cultivos en hileras anuales ( Schimmelpfennig y Ebel, 2011 ). Los avances recientes en la detección del suelo ( Rossel et al., 2011 ), la detección de cultivos ( Roberts et al., 2012 ; Zhang y Kovacs, 2012 ) y el análisis de datos ( Landrum et al., 2015 ; Tien, 2013 ) han sentado las bases para la próxima ola de aplicaciones de agricultura de precisión ( Lowenberg-DeBoer, 2015). Sin embargo, la adopción de tecnologías de agricultura de precisión más avanzadas generalmente se ha quedado rezagada con respecto a otros desarrollos de tecnología agrícola ( Schimmelpfennig y Ebel, 2011 ), con relativamente pocos productores que utilizan tecnologías de teledetección, detección del suelo o aplicaciones de tasa variable. La adopción rezagada se ha atribuido a varios factores, incluidos los requisitos de capital ( Pierpaoli et al., 2013 ; Schimmelpfennig y Ebel, 2011 ), la insuficiente investigación agronómica adaptada a la agricultura de precisión ( Bramley y Trengove, 2013 ; Cambouris et al., 2014 ), y falta de tiempo del agricultor y experiencia técnica para la gestión intensiva en información ( Aubert et al., 2012 ;Griffin y col., 2004 ; Pierpaoli y col., 2013 ; Schimmelpfennig y Ebel, 2011 ).

La adopción de tecnologías de agricultura de precisión ha sido particularmente lenta para muchos cultivos especiales, como la industria de árboles frutales de EE. UU. ( Schimmelpfennig y Ebel, 2011). Sin embargo, muchas empresas comerciales reconocen que estas tecnologías tienen el potencial de ser utilizadas en la producción de frutos de árboles. Hay una variedad de servicios de agricultura de precisión disponibles, que incluyen mapas de dosel de detección remota (Digital Harvest, Pendleton, OR), mapeo de suelos de precisión y manejo de nutrientes antes de la siembra (AgVerdict, San Francisco, CA) y manejo de riego basado en sensores (METER Group , Pullman, WA). Aunque las industrias de árboles frutales de alto valor invirtieron un capital sustancial en tecnologías costosas como plantaciones de huertos de alta densidad, sistemas de enrejados diseñados y equipos e instalaciones de clasificación y almacenamiento de alta capacidad, los productores no tienen confianza en las tecnologías de agricultura de precisión que no han demostrado mejoras hortícolas, mano de obra eficiencia, rendimiento de frutos, calidad o, en última instancia, beneficios.

A pesar del mayor valor de los frutos de los árboles en comparación con los cultivos en hileras anuales, existe poca investigación de agricultura de precisión para los sistemas de frutos de los árboles ( Aggelopoulou et al., 2013 ). La investigación de agricultura de precisión para cítricos de Florida ( Citrus sp.) Ha abordado la variabilidad espacial de nutrientes ( Mann et al., 2011c ; Schumann, 2010 ; Zaman et al., 2005 ; Zaman y Schumann, 2006 ), las propiedades físicas del suelo ( Mann et al. ., 2010 , 2011b ) y delimitación de la zona de manejo de cítricos ( Mann et al., 2011a ). El trabajo sobre frutas de árboles de hoja caduca como manzanas y huertos ha abordado la variabilidad espacial ( Turker et al., 2011; Vega et al., 2013 ) y la gestión por zonas en Grecia ( Aggelopoulou et al., 2011a ; Aggelopoulou et al., 2010 , 2011b , 2013 ; Papageorgiou et al., 2013 ). Existen estudios dispersos para otros cultivos perennes como el olivo [ Olea europaea ( Fountas et al., 2011 )], la pera [ Pyrus communis ( Perry et al., 2010 , 2018 )] y el kiwi [ Actinidia deliciosa ( Woodward y Clearwater, 2012 )].

El valor de producción de manzanas frescas en los Estados Unidos fue de $ 3,1 mil millones en 2016.Los tres principales estados productores de manzanas fueron Washington, Nueva York y Michigan, con valores de producción anual de $ 2,26 mil millones, $ 0,26 mil millones y $ 0,21 mil millones, respectivamente ( EE.UU. Departamento de Agricultura, 2017). Las manzanas son un cultivo de alto valor, con cultivares mejorados que se venden a precios superiores. Las plantaciones de alta densidad requieren una inversión inicial sustancial y gastos de gestión continuos, con flujos de efectivo positivos a menudo diferidos 4 años o más después del establecimiento del huerto. Por ejemplo, establecer un nuevo huerto ‘Gala’ cuesta ≈ $ 9500 / acre (costo inicial único) y más de $ 3500 / acre para manejo hortícola (costo operativo recurrente que incluye actividades como poda, capacitación, raleo, riego y mano de obra) ; estos costos no incluyen los costos de cosecha o fijos de espaldera, riego, tierra, seguros y equipo ( Galinato et al., 2016). Los costos de establecimiento y manejo son igualmente altos para otros cultivos leñosos perennes. Además, la falta de disponibilidad de mano de obra estacional, que representa aproximadamente el 46% de los costos de producción, ejerce una mayor presión sobre la rentabilidad del huerto ( Galinato et al., 2016 ). Dados los altos costos de gestión y el valor de los productos de alta calidad, existe un potencial sustancial para que las tecnologías de agricultura de precisión mejoren la eficiencia de la mano de obra y los recursos, las prácticas hortícolas, la calidad de la fruta y las ganancias para las manzanas y cultivos relacionados (D. Brown, comunicación personal). De hecho, existen evidencias de estudios de otros cultivos de alto valor como la uva de vinificación ( Vitis vinifera) indicando que las aplicaciones de insumos a tasa variable implican mayores beneficios económicos y ambientales en comparación con un manejo uniforme ( Arno et al., 2009 ).

Este estudio investigó la perspectiva de la industria con respecto a la agricultura de precisión desde múltiples perspectivas, como dónde la agricultura de precisión podría tener más impacto, el estado de familiaridad y uso de la agricultura de precisión, el papel de las empresas de servicios agrícolas y los consultores para facilitar el acceso y los beneficios derivados de la agricultura de precisión. tecnología. Esperamos que dicha información sea útil para los investigadores y los educadores de extensión porque les permitirá planificar y realizar de manera más eficaz sus actividades para aumentar la adopción de la agricultura de precisión para la producción de árboles frutales.

materiales y métodos
En noviembre y diciembre de 2017, encuestamos a productores de manzanas en Washington, Michigan y Nueva York sobre la temporada de producción de manzanas de 2017. La encuesta se administró en línea a través de software de encuestas (Qualtrics, Provo, UT) utilizando listas de correo electrónico administradas por educadores de extensión en la Washington State University, la Michigan State University y la Cornell University. La aprobación de la Junta de Revisión Institucional (IRB) fue otorgada por la Oficina de Garantías de Investigación de la Universidad del Estado de Washington al proyecto “Evaluación de las Percepciones de las Tecnologías de Agricultura de Precisión por los Productores de Manzanas de los Estados Unidos” (IRB 16877). Las listas de correo electrónico constan de 350 contactos de operaciones de Apple en Nueva York, 1200 en Washington y 325 en Michigan. Obtuvimos un total de 119 respuestas: 49 de Nueva York, 43 de Washington y 27 de Michigan.

Diseñamos las preguntas de la encuesta utilizando los aportes de representantes de la industria y educadores de extensión. Se pidió a los encuestados que clasificaran los tres principales desafíos que encuentran en la producción de manzanas para el mercado fresco, que informen de su familiaridad con tres tecnologías de agricultura de precisión (detección remota para mapeo de copas, mapeo de suelos de precisión y manejo de nutrientes, y manejo de riego basado en sensores), y indicar si utilizaron alguna de las tecnologías. La encuesta también pidió a los encuestados que clasificaran los tres principales beneficios y las tres principales preocupaciones que perciben al adoptar tecnologías de agricultura de precisión. Además, se preguntó a los encuestados sobre la cantidad de años durante los cuales habían utilizado dichas tecnologías y si estaban considerando invertir en estas tecnologías. Finalmente, Se pidió a los encuestados que seleccionaran su fuente de información más confiable con respecto a la aplicación de tecnologías de agricultura de precisión y que indicaran el valor de la experiencia de las empresas de servicios agrícolas y los consultores para orientar e implementar tecnologías de agricultura de precisión. Los datos se analizaron mediante diferentes especificaciones empíricas según la variable dependiente del modelo o cuestión de interés.

Desafíos encontrados en la producción de manzanas frescas.
Elegimos un modelo probit ordenado para analizar los desafíos percibidos por los productores en la producción de manzanas porque la variable de respuesta que caracteriza la importancia de los desafíos era discreta y ordinal. Se pidió a los encuestados que seleccionaran sus tres principales de una lista de 11 desafíos. Al desafío más importante se le asignó un valor de 11, al segundo más importante se le asignó un valor de 10 y al tercero más importante se le asignó un valor de 9. A los desafíos no considerados entre los tres principales se les asignó un valor de 6 (la mediana de 1 y 11). Este método se ha utilizado en investigaciones anteriores para determinar el nivel de importancia de los atributos del producto ( Davis y Gillespie, 2004 ; Greene y Hensher, 2008). Se supone que la clasificación de desafío de un productor está asociada con un nivel de satisfacción o beneficios percibidos de utilidad subyacente. Los productores clasificaron los desafíos según el nivel de beneficios que recibirían si se les brindara una solución ( Yue et al., 2013 , 2014a , 2014b , 2014c ). La función de utilidad de los productores estuvo representada por lo siguiente:

U
C
h
una
l
l
mi
norte
gramo
mi
yo
j
=
α
0
+
α
1
L
una
segundo
o
r
h
una
r
v
mi
s
t
yo
+
α
2
L
una
segundo
o
r
pag
r
mi
h
una
r
v
mi
s
t
yo
+
α
3
L
una
segundo
o
r
s
tu
pag
mi
r
v
yo
s
o
r
yo
+
α
4
PAG
mi
s
t
re
yo
s
mi
una
s
mi
yo
+
α
5
W
mi
una
t
h
mi
r
yo
+
α
6
W
una
t
mi
r
yo
+
α
7
PAG
o
s
t
h
una
r
v
mi
s
t
yo
+
α
8
F
o
o
re
s
una
F
mi
t
y
yo
+
α
9
norte
mi
w
C
tu
l
t
yo
v
una
r
s
yo
+
α
10
METRO
una
r
k
mi
t
s
yo
+
α
11
O
t
h
mi
r
yo
+
β
12
S
yo
z
mi
yo
+
β
13
W
una
s
h
yo
norte
gramo
t
o
norte
yo
+
β
14
METRO
yo
C
h
yo
gramo
una
norte
yo
+
β
15
norte
mi
w
Y
o
r
k
yo
+
β
dieciséis
U
norte
yo
v
r
mi
s
mi
una
r
C
h
mi
r
yo
+
β
17
UNA
gramo
s
mi
r
v
yo
C
mi
yo
+
β
18
O
t
h
mi
r
gramo
r
o
w
mi
r
s
yo
+
ε
C
h
una
l
l
mi
norte
gramo
mi
yo
j
;
yo
=
1
,
…
,
119
(
norte
)
;
[1]
dónde
α
j
es la utilidad marginal del productor de las soluciones a los desafíos j ( j = disponibilidad / costo de mano de obra para las actividades de cosecha; disponibilidad / costo de mano de obra para las actividades de precosecha; disponibilidad / costo de la mano de obra de supervisión intermedia, tanto de cosecha como de precosecha; plagas y enfermedades; clima agua; manipulación poscosecha; seguridad alimentaria; productividad y rentabilidad de los cultivares de injertos y portainjertos disponibles; mercados competidores; y otros desafíos);
β
12
es la utilidad marginal del tamaño de la operación;
β
13
,

β
14
,

y

β
15
son la utilidad marginal del estado (Washington, Michigan y Nueva York, respectivamente) en el que se ubica la operación;
β
dieciséis
,

β
17
,

y

β
18
son la utilidad marginal de las fuentes más confiables (investigadores universitarios y educadores de extensión, proveedores de servicios agrícolas y otros productores, respectivamente) de información para aplicar tecnologías de agricultura de precisión; y
ε
yo
j
es el término de error, que se supone que sigue una distribución normal con una media de 0 y una desviación estándar de
σ
mi
.
Al estimar los coeficientes del modelo con la ecuación. [1], seleccionamos la categoría de desafío «otros» como la variable base para la interpretación. En este tipo de modelo, para evitar una perfecta multicolinealidad, se debe utilizar una variable base para la comparación. Es decir, los coeficientes estimados de los desafíos son todos relativos a la variable base «otros». De manera similar, para las variables de estado binarias, se omitió Nueva York y se trató como la variable base. Los desafíos con coeficientes positivos estadísticamente significativos tenían más probabilidades de ser elegidos como los más importantes en comparación con la categoría «otros», y los desafíos con coeficientes negativos estadísticamente significativos eran menos importantes. Para predecir la probabilidad de que un desafío se clasifique en cada categoría de clasificación (es decir, primero, segundo y tercero más importantes), estimamos los efectos marginales. En otras palabras, un efecto marginal de 0.49 (como se presenta,La Tabla 2 ) sugirió que la categoría «disponibilidad / costo de mano de obra» para la cosecha tenía un 49% de posibilidades de ser elegida como el principal desafío en relación con la categoría «otros».

Familiaridad y uso de tecnologías de agricultura de precisión.
Usamos un modelo probit binario separado para analizar qué tan familiarizados estaban los productores con la agricultura de precisión y el uso de la agricultura de precisión. El objetivo era identificar factores que pudieran influir en la familiaridad y el uso de tecnologías de agricultura de precisión para la producción de manzanas frescas. Elegimos este modelo porque la variable de respuesta era discreta y binaria (por ejemplo, 1 = si estaban familiarizados con la tecnología o la usaban; 0 = en caso contrario). La probabilidad de que el encuestado estuviera familiarizado o utilizara una tecnología de agricultura de precisión se calculó de la siguiente manera:

PAG
r
o
segundo

(
Y
=
1
|
X
)
=
Φ
(
X
′
γ
)
[2]
dónde
Φ
es la distribución de probabilidad normal acumulada; x es un vector de variables, incluido el tamaño de la operación, el estado en el que se encuentra la operación de la manzana (por ejemplo, Washington, Michigan y Nueva York); la fuente de información sobre tecnologías de agricultura de precisión (por ejemplo, investigadores universitarios y educadores de extensión, proveedores de servicios agrícolas y otros productores); y
γ
es el vector de parámetros a estimar. Para el estado en el que se ubica la operación, se omitió la variable Nueva York y se consideró como la variable base. De manera similar, “otros productores” fue la variable omitida entre las fuentes de información. Como se explicó anteriormente, la significancia estadística debe interpretarse como relativa a la variable base. Para predecir la probabilidad con la que un factor afectará la familiaridad o el uso de tecnologías de agricultura de precisión, estimamos los efectos marginales.
Beneficios e inquietudes asociados con las tecnologías de agricultura de precisión.
Usamos un modelo probit ordenado por separado para analizar los factores que impactan los beneficios percibidos y otro modelo para analizar los factores que impactan las preocupaciones percibidas asociadas con el uso de la agricultura de precisión. La variable de respuesta (es decir, la importancia de los beneficios / preocupaciones) fue discreta y ordinal. La encuesta pidió a los encuestados que identificaran sus tres principales beneficios y preocupaciones percibidos de una lista de cinco beneficios y seis preocupaciones relacionadas con la adopción de tecnologías de agricultura de precisión. Al beneficio más importante se le asignó un valor de 5, y al segundo más importante se le asignó un valor de 4. A los beneficios no considerados entre los tres primeros se les asignó un valor de 3 (la mediana de 1 y 5). A las preocupaciones se les asignaron valores de manera similar. La función de beneficio del productor estuvo representada por lo siguiente:

U
segundo
mi
norte
mi
F
yo
t
s
yo
j
=
η
0
+
η
1
T
h
yo
norte
norte
yo
norte
gramo
yo
+
η
2
norte
tu
t
r
yo
mi
norte
t
yo
+
η
3
PAG
r
tu
norte
yo
norte
gramo
yo
+
η
4
yo
r
r
yo
gramo
una
t
yo
o
norte
yo
+
η
5
O
t
h
mi
r
yo
+
θ
1
S
yo
z
mi
yo
+
θ
2
W
una
s
h
yo
norte
gramo
t
o
norte
yo
+
θ
3
METRO
yo
C
h
yo
gramo
una
norte
yo
+
θ
4
norte
mi
w
Y
o
r
k
yo
+
θ
5
U
norte
yo
v
r
mi
s
mi
una
r
C
h
mi
r
yo
+
θ
6
UNA
gramo
s
mi
r
v
yo
C
mi
yo
+
θ
7
O
t
h
mi
r
gramo
r
o
w
mi
r
s
yo
+
ε
segundo
mi
norte
mi
F
yo
t
s
yo
j
;
yo
=
1
,
…
,
119
(
norte
)
;
dónde
η
j
es la utilidad marginal del productor de los beneficios j [ j = mejora en la efectividad (horas de mano de obra, costos químicos vs.calidad del aclareo) del aclareo de frutos verdes, aplicación de nutrientes basada en las necesidades en tiempo real de cada planta, mejora en la eficacia (horas de trabajo vs. .calidad de la poda) de la poda latente, programas de riego mejor focalizados y otros)];
θ
1
es la utilidad marginal del tamaño de la operación;
θ
2
,

θ
3
,

y

θ
4
son la utilidad marginal del estado (Washington, Michigan y Nueva York, respectivamente) en el que se ubica la operación;
θ
5
,

θ
6
,

y

θ
7
son la utilidad marginal de los proveedores más confiables (investigadores universitarios y profesionales de extensión, proveedores de servicios agrícolas y otros productores, respectivamente) de información sobre la aplicación de tecnologías de agricultura de precisión; y
ε
segundo
mi
norte
mi
F
yo
t
s
yo
j
es el término de error, que se supone que sigue una distribución normal con una media de 0 y una desviación estándar de
σ
mi
.
La función de preocupación del productor estuvo representada por lo siguiente:

U
C
o
norte
C
mi
r
norte
yo
j
=
ϑ
0
+
ϑ
1
C
o
s
t
yo
+
ϑ
2
S
mi
r
v
yo
C
mi
yo
+
ϑ
3
T
mi
C
h
norte
yo
C
una
l
yo
+
ϑ
4
R
mi
s
tu
l
t
s
yo
+
ϑ
5
re
o
norte
o
t
s
mi
mi
yo
+
ϑ
6
O
t
h
mi
r
yo
+
κ
1
S
yo
z
mi
yo
+
κ
2
W
una
s
h
yo
norte
gramo
t
o
norte
yo
+
κ
3
METRO
yo
C
h
yo
gramo
una
norte
yo
+
κ
4
norte
mi
w
Y
o
r
k
yo
+
κ
5
U
norte
yo
v
r
mi
s
mi
una
r
C
h
mi
r
yo
+
κ
6
UNA
gramo
s
mi
r
v
yo
C
mi
yo
+
κ
7
O
t
h
mi
r
gramo
r
o
w
mi
r
s
yo
+
ε
C
o
norte
C
mi
r
norte
s
yo
j
yo
=
1
,
…
,
119
(
norte
)
,
dónde
ϑ
j
es la utilidad marginal del productor de posibles soluciones a preocupaciones relacionadas con la tecnología de agricultura de precisión j ( j = costo del servicio, servicio al cliente del proveedor, disponibilidad / costo de experiencia técnica, confiabilidad / calidad de los resultados para impulsar decisiones que mejoren la gestión, no ver un beneficio, y otros);
κ
1
es la utilidad marginal del tamaño de la operación;
κ
2
,

κ
3
,

y

κ
4
son la utilidad marginal del estado (Washington, Michigan y Nueva York, respectivamente) en el que se ubica la operación;
κ
5
,

κ
6
,

y

κ
7
son la utilidad marginal de los proveedores más confiables (investigadores universitarios y profesionales de extensión, proveedores de servicios agrícolas y otros productores, respectivamente) de información sobre la aplicación de tecnologías de agricultura de precisión; y
ε
C
o
norte
C
mi
r
norte
s
yo
j
es el término de error, que se supone que sigue una distribución normal con una media de 0 y una desviación estándar de
σ
mi
.
Consideración de inversiones en tecnologías de agricultura de precisión.
Usamos un modelo probit binario para representar los factores que podrían influir en la consideración de inversión para tecnologías de agricultura de precisión. Se eligió el modelo porque la variable de respuesta era discreta y binaria (por ejemplo, 1 = si considerarían la inversión; 0 = en caso contrario). La función de probabilidad y el vector de variables explicativas fueron similares a la Ec. [2]: tamaño de la operación de la manzana; estado en el que se encuentra (Washington, Michigan y Nueva York); y fuente de información sobre tecnologías de agricultura de precisión (investigadores universitarios y profesionales de extensión, proveedores de servicios agrícolas y otros productores). Para predecir la probabilidad de que un factor impacte la consideración de la inversión, estimamos los efectos marginales. Se usó una prueba Z para todas las especificaciones econométricas para inferir si una estimación de coeficiente era estadísticamente significativa a P ≤ 0.1, 0.05 o 0.001. Las estimaciones de los parámetros para todas las especificaciones econométricas de este estudio se calcularon utilizando STATA (StataCorp, College Station, TX).

Resultados y discusión
Resumen estadístico.
Las granjas más grandes en términos de superficie se encontraban en Washington (tamaño medio de la explotación, 369 acres), seguidas de Michigan (255 acres) y Nueva York (176 acres). En todos los estados, el tamaño promedio de nuestra muestra de respuesta fue de 266 acres. Según el Censo de Agricultura de 2012, Washington tenía 2839 granjas de manzanas con un total de 174,152 acres, cada una con un tamaño promedio de 61 acres. Michigan tenía 1584 granjas de manzanas con un total de 43.240 acres, cada una con un tamaño promedio de 27 acres. Nueva York tenía 1365 granjas de manzanas con un total de 47,148 acres, cada una con un tamaño promedio de 35 acres ( Departamento de Agricultura de EE. UU., 2014). En cuanto a la cantidad de años de experiencia con tecnologías de agricultura de precisión, los productores de Washington fueron los que tuvieron la mayor experiencia (promedio, 9 años), seguidos de Michigan (7 años) y Nueva York (6 años). En general, los encuestados tenían un promedio de 7 años de experiencia.

El tamaño de nuestra muestra podría no haber sido representativo del número total de operaciones de manzana en cada uno de los tres estados encuestados. Sin embargo, es de destacar que el tamaño promedio de las operaciones fue mayor que los reportados por el censo. Esto significa que los productores que respondieron a nuestra encuesta probablemente fueron los primeros en adoptar tecnologías de agricultura de precisión. El trabajo fundamental realizado por Feder (1980) y Feder y O’Mara (1981)explicó que las operaciones agrícolas más grandes tenían más probabilidades de adoptar innovaciones. Las operaciones más grandes están mejor posicionadas para invertir en innovación, recopilación de información y aprendizaje. Además, la tasa de rendimiento de las innovaciones es mayor para las operaciones más grandes. Las operaciones más grandes tienden a exhibir una mejor capacidad para asumir riesgos dada su gestión más profesional y un mayor grado de división del trabajo ( Diederen et al., 2003 ). La mayoría de los estudios empíricos encontraron una relación positiva entre el tamaño de las operaciones de cultivo perenne y la adopción de innovaciones ( Gallardo y Brady, 2015 ; Gallardo y Sauer, 2018 ; Lu et al., 2016 ).

Desafíos enfrentados en la producción de manzanas frescas.
La disponibilidad de mano de obra para las actividades de cosecha fue el desafío más importante para los productores de manzanas de EE. UU. En comparación con las otras categorías de desafíos (demandas regulatorias, nuevos cultivares comercializables disponibles de manera no exclusiva para todos los productores, fuego bacteriano, sucesión de granjas e intervención del gobierno) ( Tabla 1 ). La disminución en el número de trabajadores agrícolas inmigrantes, especialmente de México ( Charlton y Taylor, 2016 ; Taylor et al., 2012 ), ha llevado a una disminución en la mano de obra disponible para tareas específicas del huerto que requieren masas críticas de mano de obra, como cosecha. Si no fuera por los programas de trabajadores temporales para inmigrantes como H2A, una escasez generalizada de mano de obra afectaría negativamente la rentabilidad económica de la producción de manzanas con uso intensivo de mano de obra (Brady y col., 2016 ; Zahniser et al., 2012 ). H2A es un programa de trabajadores agrícolas temporales que permite a los empleadores estadounidenses de agentes que cumplen con requisitos reglamentarios específicos traer extranjeros a los EE. UU. Para ocupar puestos agrícolas temporales ( Departamento de Seguridad Nacional de EE. UU., 2018). Otros desafíos relacionados con la mano de obra que tuvieron una alta importancia fueron la disponibilidad / costo de la mano de obra para las actividades previas a la cosecha (cuarto en importancia) y la mano de obra de supervisión intermedia (sexto en importancia). Esto es relevante para nuestro problema de investigación porque es probable que una combinación de tecnologías innovadoras de diferentes disciplinas (por ejemplo, fitomejoramiento, manejo hortícola, ingeniería mecánica, sistemas informáticos, robótica y otros) facilitará la implementación exitosa de alternativas automatizadas para un variedad de actividades de la huerta ( Gallardo y Sauer, 2018). Por ejemplo, tecnologías como la teledetección contribuirían al desarrollo de copas de árboles y colocación de frutas más uniformes dentro de la copa, lo que mejoraría enormemente la eficiencia de las máquinas recolectoras automatizadas (D. Brown, comunicación personal).

Tabla 1.
Estimaciones de coeficientes del modelo probit ordenado de la clasificación de desafíos para la producción de manzanas frescas basadas en las respuestas de una encuesta de productores de manzanas en Washington, Nueva York y Michigan en 2017.

Tabla 1.
El clima ocupó el segundo lugar en importancia, seguido de las plagas y enfermedades ( Cuadro 1 ). Ambos son desafíos diarios importantes durante todo el año para los productores de árboles frutales perennes. Los cambios climáticos a corto plazo pueden afectar muchos aspectos bióticos y abióticos de la producción de manzanas. Por ejemplo, cambios a más largo plazo como temperaturas más cálidas en verano, patrones de precipitación erráticos y temporadas de crecimiento prolongadas podrían favorecer generaciones adicionales por temporada de plagas de insectos y vectores de enfermedades de insectos y alterar los ciclos de vida de los patógenos. Los inviernos más cálidos podrían aumentar la supervivencia de las poblaciones de insectos de primavera. Las primaveras más tempranas podrían provocar la llegada más temprana de insectos migratorios ( Autoridad de Investigación y Desarrollo de Energía del Estado de Nueva York, 2011). En 2012, la cosecha de manzanas de Michigan se redujo en un 90% como resultado del desarrollo floral avanzado de la acumulación temprana de calor seguida de episodios de heladas primaverales, lo que resultó en la mayor pérdida de cosecha de manzanas desde la década de 1940 ( Michigan Apple News, 2012 ).

Los mercados competidores ocuparon el quinto lugar en importancia ( Tabla 1 ). La demanda interna per cápita de manzanas frescas de EE. UU. Se ha estancado desde la década de 1980 en 16 a 19 lb / año ( Pérez, 2016). Por el contrario, las exportaciones de manzanas frescas aumentaron de un promedio de 607 millones de libras durante la década de 1980 a 2.300 millones de libras durante la temporada de comercialización 2014-15. Los mercados de exportación son cada vez más importantes para la industria de la manzana de EE. UU. Porque el mercado de procesamiento ha disminuido y la producción nacional de manzanas frescas ha superado la demanda interna (Pérez, 2016). Con grandes volúmenes, una amplia gama de cultivares y fruta de alta calidad, Estados Unidos ha establecido una fuerte presencia en los mercados internacionales (Pérez, 2016). En términos de valor de exportación, Estados Unidos es el principal exportador de manzanas frescas del mundo, superando a China y Polonia, aunque esos países tienen volúmenes de exportación superiores al de Estados Unidos. Debido a que se espera que aumente la producción de manzanas de EE. UU., Particularmente en Washington,

La productividad / rentabilidad de los cultivares de vástagos y portainjertos disponibles ocupó el séptimo lugar en importancia. Para revertir el estancamiento de la demanda interna estadounidense de manzanas frescas, la industria optó por producir una amplia gama de cultivares con atributos de calidad de fruta mejorados para satisfacer las expectativas y preferencias de los consumidores ( Gallardo et al., 2018 ). Ofrecer una amplia selección de cultivares con calidad superior también podría mejorar la presencia de productos frescos de EE. UU. En los mercados internacionales (Pérez, 2016).

La seguridad alimentaria ocupó el octavo lugar en importancia. En 2011, el Congreso de los EE. UU. Aprobó la Ley de Modernización de la Seguridad Alimentaria para salvaguardar la salud pública al garantizar que el suministro de alimentos esté a salvo de la contaminación microbiana, física y química ( Administración de Alimentos y Medicamentos de EE . UU., 2018 ). Como resultado, los productores de manzanas a escala comercial deben cumplir con una serie de regulaciones, incluido el seguimiento de sus productos desde las granjas hasta las tiendas minoristas e implementar y documentar una gran cantidad de procedimientos de seguridad durante cada paso de la operación ( Washington State University, 2018 ).

El agua se clasificó como menos importante que las otras categorías de desafíos. Aunque la producción de manzanas en los valles interiores semiáridos de Washington requiere riego, los huertos en Michigan y Nueva York, que se encuentran en climas más fríos que históricamente han recibido mayores precipitaciones durante la temporada de crecimiento, no recibieron agua suplementaria. Sin embargo, esta situación está cambiando rápidamente debido a los efectos nocivos de la sequía periódica sobre el crecimiento de la fruta, la presión del mercado para producir fruta de alta calidad y los costos significativamente más altos para establecer huertos de alta densidad. Posteriormente, se requieren rendimientos tempranos y significativos durante los años 3, 4 y 5 para reembolsar la inversión del establecimiento ( Robinson et al., 2013). Otro beneficio de un suministro de agua adecuado es una mejor absorción de calcio y otros nutrientes del suelo, lo que beneficia la salud de los árboles y potencialmente mejora el control de trastornos fisiológicos como el hueso amargo ( Robinson et al., 2013 ).

El “manejo poscosecha” no fue significativamente diferente en importancia de la categoría “otros”, lo cual no es particularmente sorprendente dado que nuestros encuestados se enfocaron en aspectos de producción, aunque la calidad de la fruta poscosecha puede verse muy afectada por las prácticas y condiciones previas a la cosecha. El manejo poscosecha abarca una amplia gama de prácticas que se originan en el huerto y continúan a lo largo de toda la cadena de suministro poscosecha, incluidas evaluaciones de calidad, regímenes de almacenamiento, prácticas de saneamiento, seguridad alimentaria, patología, prácticas de manejo y empaque, transporte y mercadeo / exportación. Los avances en las tecnologías de almacenamiento han aumentado en gran medida la cantidad de tiempo que las manzanas pueden almacenarse y aún así mantienen las características deseables de calidad de la fruta ( Red de información poscosecha, 2016 ).

El tamaño (en acres) de la operación de manzanas, el estado en el que se encuentra y los proveedores de información no fueron estadísticamente significativos, lo que indica que estos factores no afectaron la clasificación de desafíos de los encuestados. Tabla 2informa los efectos marginales de cada desafío. La «disponibilidad / costo de la mano de obra» para las actividades de cosecha tenía un 49% más de probabilidades de ser clasificado como el desafío más importante en comparación con la categoría de «otros» desafíos. De manera similar, «clima» fue un 38% más probable, «plagas y enfermedades» fue un 28% más probable, «disponibilidad / costo de mano de obra para las actividades previas a la cosecha» fue un 23% más probable, «mercados competidores» fue un 23% más probable, «disponibilidad / costo de mano de obra ”para la mano de obra de supervisión intermedia era un 18% más probable, y la“ productividad / rentabilidad ”de los cultivares de vástagos y portainjertos disponibles tenía un 10% más de probabilidades de clasificarse como el desafío más importante en comparación con la categoría de desafíos“ otros ”. “Agua” tenía un 8% menos de probabilidades de ser clasificado como el más importante en comparación con la categoría de desafío “otros”;

Tabla 2.
Efectos marginales del modelo probit ordenado con respecto a la clasificación de los desafíos encontrados en la producción de manzana fresca según las respuestas a una encuesta de productores de manzanas en Washington, Nueva York y Michigan en 2017.

Tabla 2.
Familiaridad y uso de tecnologías de agricultura de precisión.
El tamaño de la operación fue estadísticamente significativo y positivo para la familiaridad y el uso de tecnologías de agricultura de precisión ( Cuadro 3). Los principales operadores de huertos con al menos 266 acres estaban un 20% más familiarizados con las tecnologías de agricultura de precisión y un 31% más de probabilidades de haber utilizado una tecnología de agricultura de precisión en su huerto al menos una vez en comparación con los huertos con menos de 266 acres. La ubicación de una operación fue estadísticamente significativa y positiva para el uso de tecnologías de agricultura de precisión. En comparación con los productores de Nueva York, los productores de Washington (Michigan) tenían un 27% (21%) más de probabilidades de haber utilizado tecnologías de agricultura de precisión. En general, los resultados de la encuesta sugirieron que la escala de una operación tuvo un impacto positivo en la familiaridad y el uso de tecnologías de agricultura de precisión.

Tabla 3.
Estimaciones de coeficientes y efectos marginales para los modelos probit que muestran la familiaridad y el uso de tecnologías de agricultura de precisión para la producción de manzanas frescas basadas en las respuestas a una encuesta de productores de manzanas en Washington, Nueva York y Michigan en 2017.

Tabla 3.
Beneficios e inquietudes asociados con las tecnologías de agricultura de precisión .
La eficacia del raleo de frutos verdes fue el beneficio percibido más importante del uso de tecnologías de agricultura de precisión en comparación con las otras categorías (cosecha robótica, base de datos mejorada para la gestión de decisiones, falta de equipo autónomo, fumigación precisa dirigida, mejores rendimientos, plagas y enfermedades más confiables información de manejo, detección de estrés por alimentación de ácaros / pulgones, actividades de horticultura asistida por plataformas e imágenes de brotes para estimar la floración de retorno) ( Tabla 4 ). La «efectividad del aclareo de frutos verdes» tenía un 56% más de probabilidades de ser clasificada como el beneficio principal en comparación con la categoría de «otros» beneficios ( Tabla 4 ). Actualmente, el método de aclareo de precisión para estimar la respuesta de abscisión de la fruta a los diluyentes químicos (Greene et al., 2005 ) depende de tediosas mediciones de calibre de cientos de frutos marcados individualmente. Este método es muy informativo pero requiere mucho tiempo, lo que limita la adopción y caracterización de la diversidad de efectos localizados en el cuajado. Los resultados de la encuesta sugieren que la industria de la manzana de EE. UU. Valoraría la tecnología que proporcione mediciones rápidas y automatizadas del crecimiento de los frutos y estimaciones del cuajado.

Cuadro 4.
Estimaciones de coeficientes y efectos marginales del modelo probit ordenado en la clasificación de los beneficios de adoptar tecnologías de agricultura de precisión para la producción de manzanas frescas según las respuestas a una encuesta de productores de manzanas en Washington, Nueva York y Michigan en 2017.

Cuadro 4.
La aplicación de nutrientes basada en las necesidades en tiempo real se clasificó como el segundo beneficio más importante. En comparación con la categoría de beneficios “otros”, esta variable tenía un 53% más de probabilidades de clasificarse como el beneficio más importante ( Tabla 4 ). Para asegurar un rendimiento alto y constante de fruta de alta calidad, los árboles deben mantener proporciones óptimas de nutrientes; por lo tanto, la aplicación prescriptiva de nutrientes es importante (D. Brown, comunicación personal).

La «eficacia de la poda inactiva» ocupó el tercer lugar en importancia y tenía un 43% más de probabilidades que la categoría «otros» de clasificarse como el beneficio más importante. Las copas de los sistemas modernos de huertos de alta densidad se han cambiado a copas planas estrechas y accesibles con alta intercepción de luz para mejorar el tamaño, el color y las características de sabor de la fruta, como la dulzura. La disminución de la disponibilidad de mano de obra en todo Estados Unidos ha fomentado el uso de podas mecánicas (Robinson et al., 2013) basadas en técnicas y equipos utilizados en Europa ( Miranda Sazo et al., 2010).). Tradicionalmente, la poda se realizaba durante el período de inactividad por razones fisiológicas y eficiencia laboral; sin embargo, la relativa facilidad y rapidez de la poda mecánica amplía las alternativas. La poda mecánica a fines de la primavera, cuando han emergido de 10 a 12 hojas en los brotes de extensión, promueve un menor rebrote, una mayor formación de botones florales, brotes herbáceos que se pueden cortar fácilmente y una disminución de las infecciones fúngicas (S. Musacchi, comunicación personal). El momento apropiado y la aplicación de la poda también reducen o previenen el desarrollo de madera ciega y aseguran una penetración de luz suficiente para dar color a la fruta y mejorar la calidad (S. Musacchi, comunicación personal), pero se requiere investigación adicional para optimizar los protocolos de manejo.

El “riego dirigido” ocupó el cuarto lugar en importancia y tenía un 32% más de probabilidades que la categoría de “otros” beneficios de ser clasificado como el beneficio percibido más importante de la tecnología de agricultura de precisión. El riego, como se explicó anteriormente, es fundamental para el establecimiento y la productividad de los manzanos, especialmente en huertos de alta densidad. El manejo del riego comúnmente se basa en modelos de evapotranspiración basados ​​en la meteorología, humedad volumétrica del suelo y sensores de potencial hídrico del suelo ( Arbat et al., 2008 ). Se ha demostrado que los modelos de evapotranspiración desarrollados para cultivos en hileras estiman incorrectamente el uso de agua de los manzanos ( Dragoni et al., 2005 ; Dragoni y Lakso, 2011). Las mediciones directas convencionales del estado fisiológico de los árboles pueden llevar mucho tiempo y ser costosas de implementar ( Masseroni et al., 2016 ; Osroosh et al., 2016 ).

La superficie de la operación de la manzana, el estado en el que se encuentra y las fuentes de información no fueron estadísticamente significativas, lo que indica que estos factores no afectaron la clasificación de los beneficios percibidos por los encuestados.

Con respecto a las preocupaciones sobre la adopción de tecnologías de agricultura de precisión, la confiabilidad / calidad de los resultados se clasificó como la más importante en comparación con las otras categorías de inquietudes (administración del tiempo, dependencia de la conexión a Internet de alta velocidad, falta de equipo autónomo, tarifas anuales, tiempo necesario para lograr gestión de precisión) ( Tabla 5 ). La “confiabilidad / calidad” de los resultados tenía un 40% más de probabilidades de ser clasificada como la preocupación más importante en comparación con la categoría de “otras” preocupaciones. Esto corrobora el problema mencionado anteriormente: la investigación de campo insuficiente para la agricultura de precisión desalienta la adopción de tecnologías de agricultura de precisión para frutos de árbol ( Bramley y Trengove, 2013 ; Cambouris et al., 2014). Una mayor inversión en proyectos de investigación de campo aplicada que prueben y demuestren los beneficios de las tecnologías de agricultura de precisión, junto con programas de extensión activos para difundir adecuadamente los hallazgos de la investigación, podría reducir las preocupaciones de los productores y acelerar la adopción.

Cuadro 5.
Estimaciones de coeficientes y efectos marginales del modelo probit ordenado en la clasificación de preocupaciones de la adopción de tecnologías de agricultura de precisión para la producción de manzanas frescas según las respuestas a una encuesta de productores de manzanas en Washington, Nueva York y Michigan en 2017.

Cuadro 5.
El “costo del servicio” ocupó el segundo lugar en importancia entre las preocupaciones y fue un 39% más probable que se clasificara como la preocupación más importante en comparación con la categoría de “otras” preocupaciones ( Tabla 5 ). Como lo observaron Pierpaoli et al. (2013) y Schimmelpfennig y Ebel (2011), la adopción retrasada de tecnologías de agricultura de precisión podría ser el resultado de la considerable inversión de capital en equipo y personal calificado requerido para interpretar e implementar los datos. Los proyectos de investigación que centran los esfuerzos en industrias de alto valor con un capital sustancial para inversiones en tecnología podrían ser una vía positiva para avanzar y ampliar el conocimiento de las tecnologías de agricultura de precisión a los frutos de los árboles. La barrera de escala aparente para la adopción de innovaciones como la agricultura de precisión podría superarse introduciendo opciones de compra y alquiler y proporcionando servicios personalizados ( Lu et al., 2016 ).

La “disponibilidad / costo de la experiencia técnica” se clasificó como la tercera preocupación y era un 28% más probable que se clasificara como la preocupación más importante en comparación con la categoría “otros” ( Tabla 5 ). La literatura sobre la economía de la adopción de tecnología indicó que los servicios personalizados, así como los esfuerzos de colaboración entre la industria y las instituciones locales, son cruciales para adaptar la innovación a las necesidades de los productores locales ( Gordon et al., 2018 ; Lu et al., 2016 ; Taylor y Zilberman , 2016 ).

La categoría de «no ve beneficios significativos» se clasificó en menor importancia en comparación con la categoría «otros», y tenía un 93% menos de probabilidades de ser la preocupación más importante. Esto demostró que la industria de la manzana reconoce los beneficios asociados con la agricultura de precisión, pero aún requiere investigación aplicada para demostrar el alcance de dichos beneficios.

Consideración de inversión para tecnologías de agricultura de precisión.
El tamaño de la operación tuvo un efecto positivo en la consideración de la inversión en tecnologías de agricultura de precisión ( Cuadro 6 ). Las operaciones con 266 acres o más tenían un 18% más de probabilidades de considerar invertir en dichas tecnologías. Aunque los datos sugieren que es menos probable que las operaciones más pequeñas inviertan, la diferencia relativa no fue grande. Además, como se mencionó, la literatura económica sobre la adopción de nuevas tecnologías demostró que las barreras de escala pueden superarse introduciendo opciones de compra y alquiler, proporcionando servicios personalizados ( Lu et al., 2016 ) y proporcionando a los productores de menor escala acceso rápido.

Cuadro 6.
Estimaciones de coeficientes y efectos marginales del modelo probit que representan el factor que afecta la consideración de la inversión en tecnologías de agricultura de precisión en la producción de manzanas frescas, según las respuestas a una encuesta de 2017 de productores de manzanas en Washington, Nueva York y Michigan.

Cuadro 6.
Importancia de la experiencia de una empresa de servicios agrícolas o de un consultor para la orientación e implementación.
Los resultados de la distribución de frecuencias mostraron que la mayoría de los productores (43; 35% de los encuestados) citan la experiencia de su servicio o consultor agrícola como extremadamente importante, seguida de muy importante (42; 34%) e importante (26; 21%) ( Cuadro 7). Diez productores fueron neutrales sobre el tema, uno consideró que la experiencia no era importante y otro no respondió. No hubo diferencias destacadas entre los estados con respecto a la calificación de importancia promedio basada en una escala del 1 al 7 (1 = extremadamente poco importante; 7 = extremadamente importante). La calificación promedio de importancia osciló entre 5,74 y 5,96. En promedio, los productores calificaron altamente la experiencia que reciben, con una importancia promedio de 5.9. Esto indica que los productores confían en las empresas de servicios para compartir información que facilitaría la adopción de nuevas tecnologías, corroborando así que la colaboración entre la industria y las instituciones académicas es crucial para adaptar la innovación a las necesidades de los productores ( Gordon et al., 2018 ; Lu et al. , 2016 ; Taylor y Zilberman, 2016 ).

Cuadro 7.
Distribución de frecuencia de la importancia de la experiencia de las empresas de servicios agrícolas o consultores para la orientación e implementación por región según las respuestas a una encuesta de productores de manzanas en Washington, Nueva York y Michigan en 2017.

Cuadro 7.
Resumen y conclusiones
Los avances en las tecnologías de agricultura de precisión, especialmente en las áreas de hardware y software de computadoras, sensores y análisis de datos, han creado nuevas oportunidades para su aplicación en la producción de cultivos. Aunque las tecnologías de agricultura de precisión se han aplicado ampliamente a los cultivos en hileras, su uso se ha retrasado en los cultivos de árboles frutales. Dado el alto valor de estos cultivos y los crecientes desafíos relacionados con el manejo de la mano de obra y la horticultura, las actividades de investigación aplicada y extensión tienen el potencial de aumentar la rentabilidad.

En nuestra encuesta en línea realizada en tres estados con la mayor producción de manzanas por volumen (Washington, Nueva York y Michigan), encontramos que los principales desafíos que afectan a la industria de la manzana estaban relacionados con el trabajo y el clima. Las tecnologías de agricultura de precisión ofrecen soluciones a estos desafíos en una amplia gama de actividades de producción, desde el establecimiento de huertos hasta la producción de cultivos y la protección contra plagas y enfermedades. Estas tecnologías permiten mejoras simultáneas en la consistencia del rendimiento y la calidad de la fruta. A pesar del bajo nivel de adopción actual, los productores apoyaron firmemente las actividades de investigación y extensión que abordan los desafíos relacionados con el trabajo y el clima. Tales actividades también abordarían sus principales preocupaciones sobre la confiabilidad o calidad de los resultados y los costos del servicio.

Una limitación de este estudio fue el pequeño tamaño de muestra de las operaciones de manzana encuestadas. Sin embargo, nuestra muestra de encuestados exhibió operaciones mayores que el promedio, según lo informado por el Censo de EE. UU. Esto implica que obtuvimos respuestas de los primeros en adoptar tecnologías agrícolas de precisión. Un trabajo fundamental en economía agrícola concluyó que la adopción de innovaciones sigue una curva en forma de S ( Griliches, 1957). En las primeras etapas de difusión de una innovación, es probable que un pequeño porcentaje de la población total de adoptantes («adoptadores tempranos») inviertan en la nueva tecnología. Para que una innovación sea adoptada masivamente, es crucial que los profesionales de extensión y las partes interesadas compartan información basada en la investigación sobre los beneficios y el uso de la innovación con los primeros usuarios. Este grupo difundirá la información, lo que impulsará y potenciará la propagación de la información. Además, este grupo será imitado, es decir, los beneficios de la innovación se comunicarán inadvertidamente a otros, impulsando así el comportamiento imitativo y la adopción ( Frattini et al., 2013 ).

Las barreras de adopción aparentes asociadas con las economías de tamaño podrían minimizarse si las opciones de compra y alquiler (junto con los servicios personalizados) pudieran aumentar el acceso a la tecnología. Finalmente, los productores de manzana son conscientes de la importancia de colaborar con empresas de servicios agrícolas e instituciones académicas para adaptar las tecnologías a sus necesidades específicas.

Leer más

Las técnicas de control de malezas específicas del sitio han ganado interés en la comunidad de la agricultura de precisión en los últimos años. El manejo de malezas a nivel de subcampo requiere medir la densidad variable de malezas dentro de un campo. Los modelos de decisión ayudan en la selección y ajuste de los tratamientos, dependiendo de la infestación de malezas. El control de malezas se puede realizar con herbicidas o mecánicamente. Una tecnología de aplicación de herbicidas en un lugar específico puede ahorrar grandes cantidades de herbicidas. Las técnicas mecánicas de control de malezas que se adaptan a la situación de las malezas en el campo son aplicables a un amplio espectro de cultivos.

Se presentan técnicas específicas del sitio para la detección y el manejo de malezas. Se describe un sistema para la discriminación de diferentes especies de malezas y cultivos a partir de imágenes, que genera mapas de malezas automáticamente. Los modelos para el efecto de rendimiento de las malezas se desarrollan y aplican en configuraciones experimentales de investigación en fincas. Los umbrales económicos de malezas se derivan y se utilizan para una aplicación de herbicida con un pulverizador de parche.

Leer más

La Agricultura de Precisión, Agricultura Inteligente o Agricultura 4.0 se define como la aplicación de tecnologías y principios para manejar la variabilidad espacial y temporal asociada con todos los aspectos de la producción agrícola, con el propósito de mejorar la respuesta de los cultivos y la calidad ambiental.

Entre estas tecnologías vinculadas con la Agricultura de Precisión podríamos mencionar sistemas de internet de las cosas dotados de sensores de variables físico-químicas como temperatura, humedad, caudal o presión que son capaces de detectar el estado del terreno para saber si necesita más riego o una protección especial.

Gracias a la analítica de datos junto con herramientas de inteligencia artificial podemos estimar diferentes tipos de escenarios y tomar las medidas más adecuadas a cada situación. El big data aplicado a la Agricultura Inteligente nos permite realizar un estudio de la evolución del cultivo durante la campaña, así como una comparativa con años anteriores, lo que permite identificar cuáles son las prácticas más aconsejables para mejorar el rendimiento y la calidad.

Otro elemento determinante en la Agricultura 4.0 es el uso de drones para captar imágenes NDVI (índice de vegetación de diferencia normalizada) para evaluar el vigor del cultivo y del rendimiento clorofílico de las plantas.

Hay experiencias de tecnologías aplicadas a la Agricultura de Precisión como las trampas inteligentes para plagas. Dispositivos con autonomía energética dotados de sensores capaces de medir variables biométricas de las plagas para identificarlas.

También podríamos hablar de la utilización de sistemas de visión artificial para inspeccionar y clasificar los productos en cadena. Tanto del propio producto como del recipiente en el que está envasado, con el objetivo de asegurar que los productos de la industria alimentaria y de bebidas cumplan todos los estándares que demanda el cliente.

Sin olvidar la existencia de apps y software que permiten desde supervisar cada lote producido hasta calcular las necesidades de nutrientes y de fertilizantes para diferentes tipos de cultivos.

Leer más

Agricultura de precisión

La teledetección es solo un componente de una tecnología integrada mucho más grande conocida como agricultura de precisión. La agricultura de precisión sigue siendo una tecnología emergente con un éxito económico muy limitado. La agricultura de precisión primero tendrá que convertirse en un sistema de gestión económico antes de que la integración y el uso de la teledetección se utilicen ampliamente en la agricultura. Los primeros en adoptar nuevas tecnologías agrícolas se beneficiarán más cuando la agricultura de precisión se vuelva rentable (Cochrane, 1979).

Lucro

El aumento en las ganancias netas de la agricultura de precisión proviene de una combinación de aumentos en los ingresos por mayores rendimientos y / o menor uso de insumos y sus costos asociados.

Lowenberg-DeBoar y Swinton (1997) revisaron 17 estudios económicos de agricultura de precisión publicados en un intento de responder a la pregunta de si la agricultura de precisión es más rentable que la agricultura de campo completo. La agricultura de precisión no es rentable en cinco estudios, rentable en seis estudios y mixta o no concluyente en seis estudios. Existen varios problemas con estos estudios. Los estudios no son muy comparables debido a varios supuestos y métodos de contabilidad de costos diferentes. Doce estudios utilizan rendimientos reales de los cultivos, mientras que los cinco estudios restantes utilizan rendimientos simulados. Bajo la contabilización de los costos reales, la supuesta respuesta al nitrógeno y el alto valor del producto son tres factores que Lowenberg-DeBoar cita en el grupo de estudios que son rentables.

Teniendo en cuenta los costos reales costos omitidos tales como el costo de recolectar y analizar muestras de suelo, elaboración de mapas y aplicación de insumos.

La supuesta respuesta al nitrógeno supone que el rendimiento del cultivo alcanzará su rendimiento objetivo si el nitrógeno no es un factor limitante. Cuatro estudios rentables no generaron ningún dato para probar este supuesto.

El alto valor del producto fue un factor en dos de los seis estudios rentables. Todos los estudios no concluyentes y no rentables son cultivos de cereales de bajo valor.

Ninguno de estos estudios intentó o consideró los costos y beneficios ambientales de la colocación precisa y el uso reducido de productos químicos agrícolas.

Algunas personas asumen que el aumento de la tecnología aumenta automáticamente la contaminación. La contaminación no es el resultado de la tecnología y el alto nivel de insumos. Es el resultado del uso ineficiente de esos insumos que dan como resultado subproductos y material de desecho que se crea en el proceso de producción (Khanna et al, 1996).

La contaminación de los productos químicos agrícolas al medio ambiente aún no tiene un costo significativo que se cargue directamente al agricultor. Todos los contribuyentes, rurales y urbanos, siguen pagando el costo de eliminar la escorrentía de productos químicos agrícolas en los suministros públicos de agua.

Riesgo e incertidumbre

Lowenberg-DeBoar y Aghib (1997) determinaron que la aplicación de precisión de fósforo («P») y potasio («K») utilizando el manejo de la red o del tipo de suelo no aumentó significativamente la ganancia neta en comparación con el manejo del campo completo. Los datos se recopilaron de seis granjas ubicadas en el noreste de Indiana, el noroeste de Ohio y el sur de Michigan. El rendimiento neto promedio por acre fue de $ 146,93 para la gestión de todo el campo, $ 136,99 para la gestión de muestreo de suelos en red y $ 147,80 para las áreas de gestión según el tipo de suelo.

El estudio también encontró que, aunque la aplicación de precisión de P y K no aumentó significativamente las ganancias netas, redujo el riesgo de resultados deficientes de ganancias al disminuir la variabilidad de las ganancias netas para cada tipo de manejo de cultivo utilizado.

La variabilidad de la ganancia neta por acre fue significativa para los tres tipos de manejo. Por ejemplo:

La gestión de todo el campo tuvo un margen de beneficio de $ 276,93, variando desde un mínimo de $ 35,15 hasta un máximo de $ 312,08.

La gestión del área de la red tuvo un margen de beneficio de $ 209.80, variando desde un mínimo de $ 65.14 hasta un máximo de $ 274.94.

El manejo del tipo de suelo tuvo un margen de beneficio de $ 180,48, variando desde un mínimo de $ 57,23 hasta un máximo de $ 237,71.

profit.gif (19890 bytes)

Figura 5.1 Datos de Lowenberg-DeBoar y Aghib (1997)

La agricultura de precisión que utiliza la gestión del tipo de suelo mostró solo un aumento muy leve en las ganancias en comparación con la gestión del tipo de campo o cuadrícula. Este estudio muestra que el mayor beneficio para el agricultor que utiliza la agricultura de precisión será la reducción del riesgo de incurrir en bajas ganancias.

Ecomonics de percepción remota

La teledetección no será una tecnología de uso común hasta que la agricultura de precisión sea rentable. Los agricultores simplemente no estarán dispuestos a pagar por imágenes de teledetección si no van a agregar valor a sus operaciones de cultivo. La teledetección puede ser un componente muy costoso de la agricultura de precisión. El costo de las imágenes de detección remota tiene muy poco significado a menos que se convierta en parte de un sistema de apoyo a las decisiones de agricultura de precisión.

Los siguientes son algunos ejemplos del costo de las imágenes de teledetección de proveedores de datos especializados en imágenes agrícolas y sistemas de decisión.

Costo de la imagen de satélite

Muchas empresas de satélites no suelen entregar imágenes de teledetección directamente al cliente minorista. Las imágenes se venden a través de minoristas autorizados. Estos minoristas tomarán las imágenes de satélite y realizarán los pasos de procesamiento posterior para hacer que la imagen clasificada sea más útil para el cliente. Por ejemplo, una empresa canadiense, Prairie Geomatics, creará mapas de vegetación NDVI derivados de fotos satelitales del IRS-1D de India, SPOT francés o Landsat de EE. UU. Por aproximadamente 47 ¢ por acre.

Costo de la imagen aérea

Las imágenes aéreas comerciales tienden a ser más caras que las imágenes de satélite. Las imágenes clasificadas multiespectrales con una resolución de 2 metros están disponibles en DTN, una empresa de Nebraska, por aproximadamente 75 ¢ por acre. DTN anuncia un tiempo de respuesta de 48 horas desde la adquisición de imágenes hasta la entrega al cliente.

Los agricultores están encontrando formas económicas de adquirir imágenes aéreas con el uso de plataformas de aviones, como el paracaídas motorizado que se muestra en la figura 5.2. Las figuras 5.3 y 5.4 fueron tomadas desde el paracaídas motorizado con una cámara de mano en las bandas visible roja e infrarroja cercana.

Leer más

Con un ojo puesto en las últimas tecnologías aplicadas a la agricultura y el otro en prestarle un servicio diferencial a los productores, la empresa Nidera Semillas ha lanzado una nueva propuesta que es única en el mercado.

Se trata de una innovadora iniciativa dirigida a sus clientes de maíz y girasol. Concretamente, con un dron piloteado por los distribuidores de Nidera Semillas sobrevolarán los lotes para brindarles información clave sobre cada cultivo. De esta manera, a partir de este año, la red de distribuidores de la semillera (RED.IN) contará con un grupo de drones que sobrevolarán los lotes de maíz recabando distinto tipo de información útil para el cultivo, que luego será analizada y compartida con los productores, como parte de la experiencia que la empresa está creando para sus clientes.
El uso de drones y de información georeferenciada viene creciendo en agricultura y resulta de gran utilidad”, explicó Ignacio Beltramino, director comercial de Nidera Semillas

Ésta es una novedad que había sido anticipada a AGROVERDAD durante la realización de CREATech 2017, el evento agrotecnológico que se realizó durante el mes de octubre pasado en la ciudad de Córdoba.

En qué consiste
La iniciativa, que se circunscribe en esta primera etapa al cultivo de maíz, involucra a 40 distribuidores desplegados por distintos puntos del país, desde Charata, en Chaco, hasta Tres Arroyos, en Buenos Aires, pasando por Tucumán, Córdoba, Santa Fe y Entre Ríos.
Con un dron DJI Matrice 100 se realizan dos tipos de vuelos sobre los lotes: el primero de reconocimiento, con una cámara que proporciona imágenes cenitales a partir de la cual se detectan fallas en la siembra, zonas con anegamiento, entre otros datos. “En este tipo de vuelos se logra ver el cultivo desde una perspectiva totalmente distinta y te cambia la forma de pensar. Cuando uno mira de forma horizontal a la altura de la cintura, se ve a lo largo y parece una tabla perfecta. Pero cuando observas desde arriba empezás a notar un montón de cosas que no te imaginabas”, comenta Nicolás Bergmann titular de Taguay, la firma que desarrolla junto a Nidera Semillas esta propuesta.

drone5
En tanto, el segundo se trata de un vuelo automático donde el distribuidor configura un plan de vuelo y el dron de forma autónoma sobrevuela la superficie y a partir de sus sensores recopila información que luego será analizada por la compañía norteamericana Precision Hawk, líder en este tipo de servicios. El técnico apunta, que “en menos de dos días, el productor recibirá todos los datos procesados en dos reportes: un mapa de ambientación y un mapa de altimetría con los que podrá tomar decisiones y realizar ajustes para lograr una producción más eficiente, optimizar su negocio y obtener mayores rendimientos”.

Ventajas de los Drones
“El nivel de detalle al que se puede acceder con este tipo de tecnologías es muy superior a lo que estamos acostumbrados a ver con satélites. A partir del mapa de ambientación de índice verde se puede visualizar el vigor del cultivo, manchones de malezas o la georeferencia de ambientes estresados”, considera el gerente de Taguay. Asimismo, “los resultados que se desprenden de los informes ayudan a tener un mejor diagnóstico sobre el funcionamiento del lote y van de la mano de la agricultura de precisión, que permite optimizar el uso de insumos y maximizar los rindes del cultivo” resalta.
Por su parte, Beltramino sostiene que “con los datos proporcionados por los drones, los productores no sólo podrán contar con información satelital, sino también podrán actuar sobre problemas de densidad, ambiente o fertilización”.

Leer más

El sector agrícola tiene una larga historia de innovación y adopción de nuevas tecnologías para aumentar la productividad, gestionar el riesgo y mejorar la sostenibilidad ambiental, social y económica. El uso de tecnologías digitales y la innovación relacionada, por parte de los agricultores y también de los responsables políticos y administradores, es otro paso en esta historia, que ofrece nuevas oportunidades pero también nuevos desafíos. La Recomendación del Consejo sobre Estrategias de Gobierno Digital de la OCDE define las “tecnologías digitales” como:

TIC [tecnologías de la información y la comunicación], incluida Internet, tecnologías y dispositivos móviles, así como análisis de datos utilizados para mejorar la generación, recopilación, intercambio, agregación, combinación, análisis, acceso, capacidad de búsqueda y presentación de contenido digital, incluso para el desarrollo de servicios y aplicaciones. (OCDE, 2014 [1])

La definición abarca las tecnologías de la información y la comunicación (TIC) existentes, muchas de las cuales se han utilizado en la agricultura desde sus inicios; por ejemplo, los datos del satélite Landsat se han utilizado para generar mapas de suelo y uso de la tierra, para el seguimiento de la producción agrícola mundial y GPS desde 1972 (Leslie, Serbina y Miller, 2017 [2]) . En muchos casos, los avances recientes han ampliado sustancialmente la amplitud, la escala y la inmediatez de lo que estas tecnologías pueden ofrecer. Avances in situy las tecnologías de teledetección han aumentado en gran medida la resolución espacial y temporal de las mediciones físicas y han permitido la medición automatizada y de bajo costo de muchos aspectos de la producción agrícola que antes solo podían medirse de manera limitada, por ejemplo, en puntos discretos en tiempo por un observador humano que realiza una visita de campo. Los avances en las tecnologías masivas de adquisición, almacenamiento, comunicación y procesamiento de datos han permitido la rápida transferencia de grandes cantidades de datos que no hubieran sido posibles ni siquiera hace una década, y han aumentado enormemente la capacidad de procesar grandes conjuntos de datos y automatizar los procesos analíticos con aprendizaje automático.

Estos avances tecnológicos se han producido en el contexto de la evolución de los desafíos locales y globales que enfrenta el sistema alimentario, incluida la creciente necesidad de producir más alimentos con menos recursos, lo que ha llevado a cambios en los objetivos de las políticas. La sostenibilidad no es un objetivo nuevo de las políticas agrícolas; sin embargo, es un objetivo que ha sido difícil de integrar eficazmente en la combinación de políticas agrícolas (OCDE, 2017 [3] ; OCDE, 2013 [4]) .

Las políticas agrícolas evolucionan conjuntamente con el progreso tecnológico; cada uno impulsa y es moldeado por el otro. Las primeras oleadas de progreso tecnológico en la agricultura introdujeron la mecanización, variedades de semillas más resistentes y de mayor rendimiento, y la primera incursión en la agricultura de precisión con la adopción de GPS basado en satélites para la orientación de maquinaria agrícola. En algunos casos, estas oleadas anteriores hicieron un uso extensivo de los datos, por ejemplo, en el desarrollo de la reproducción convencional y la ingeniería genética. Sobre la base de estos avances pasados, la ola actual de progreso tecnológico se centra en la creación, uso, combinación, análisis e intercambio de datos agrícolas y de otro tipo en formato digital para mejorar la sostenibilidad y la productividad de la agricultura y los sistemas alimentarios. 1 Este capítulo resume brevemente las innovaciones tecnológicas clave en esta ola más reciente, así como los impulsores clave para la adopción de tecnología digital en el sector agrícola.

2.1. Resumen de las innovaciones digitales recientes y en curso para la agricultura y la alimentación
Una gama de nuevas tecnologías promete mejorar la eficiencia e impactar significativamente los modelos de negocio en el sector agrícola. Estas tecnologías se pueden agrupar de acuerdo con su función en relación con los datos, definida en términos generales para incluir cualquier información disponible en lenguaje de máquina ( Tabla 2.1 ). Las categorías clave son recopilación de datos, análisis de datos, almacenamiento de datos, gestión de datos y transferencia e intercambio de datos. La categoría de transferencia e intercambio de datos incluye tecnologías que utilizan la transferencia o el intercambio de datos para facilitar otros tipos de transacciones, como la transferencia de propiedad o valor, la comunicación (entre humanos o dispositivos digitales) y servicios prestados digitalmente.

Muchas de estas tecnologías pueden ser utilizadas directamente por los encargados de formular políticas y los administradores (sección 2.2). Es poco probable que otros (p. Ej., Software para automatizar maquinaria agrícola) sean utilizados directamente por los encargados de formular políticas y los administradores, pero son, sin embargo, relevantes para mejorar la formulación de políticas porque son capaces de producir, compartir, gestionar (p. Ej., Almacenar de forma segura) o analizar datos relevantes para las políticas. . Además, las políticas pueden diseñarse teniendo en cuenta estas tecnologías: si bien este trabajo no se centra directamente en las políticas destinadas a fomentar la adopción en los sectores agrícola y alimentario 2 , las políticas agrícolas y agroambientales pueden alterar los incentivos para que los agricultores y otros actores adopten ciertas tecnologías.

Algunas de las tecnologías enumeradas en la Tabla 2.1 han existido de alguna forma durante muchos años, pero los avances recientes han mejorado enormemente la capacidad de obtener, analizar, administrar o transferir datos que son relevantes para las políticas agrícolas, incluso reduciendo el costo y aumentando la velocidad. de recopilación, análisis y difusión de datos.

Las subsecciones a continuación brindan una descripción general de las innovaciones tecnológicas e institucionales recientes clave e identifican algunos de los factores que impulsan la digitalización en los sectores agrícola y alimentario. Las formas específicas en las que estas tendencias pueden beneficiar la formulación de políticas, o el sector agrícola en general, se identifican en los capítulos siguientes.

Cuadro 2.1. Tecnologías digitales para la agricultura y la alimentación
Propósito tecnológico

Categoría

Subcategoría

Tecnologías de recopilación de datos a

Sensores remotos

Sistemas de monitoreo / adquisición de datos montados por satélite

Sistemas de monitoreo / adquisición de datos montados en UAV / drones

Sistemas de monitoreo / adquisición de datos de aeronaves tripuladas

Detección in situ

Medidores de cantidad de agua

Sensores de calidad del agua a , sensores de calidad del aire a

Sensores meteorológicos in situ a

En situ monitores de suelo una

Biodiversidad in situ, especies invasoras o monitores de plagas

Monitores de cultivos

Monitores de ganado

Datos de maquinaria agrícola de precisión

Recopilación de datos de crowdsourcing

‘Juegos serios’ para recopilar datos agroambientales b

Ciencia ciudadana c

Encuestas / censos en línea

Portales de recopilación de datos (por ejemplo, censos en línea)

Recopilación de datos financieros / de mercado

Datos de escáner minorista

Software empresarial para registrar información financiera o de mercado (por ejemplo, sistemas de entrada de bases de datos)

Tecnologías de análisis de datos

Herramientas analíticas basadas en GIS y sensores

Modelado de elevación digital

Mapeo de uso de suelo-cobertura de suelo

Modelado de cuencas hidrográficas

Mapeo de suelos

Modelado de paisajes

Software (programas, aplicaciones) para traducir datos de sensores y otros datos de la granja en información procesable

Software para automatizar maquinaria agrícola que utiliza sensores u otros datos agrícolas como entrada d

Software para medir y clasificar los productos agrícolas (por ejemplo, software de clasificación de canales)

Análisis de datos de crowdsourcing

Aplicaciones de crowdsourcing para clasificación / etiquetado de datos

Aprendizaje profundo / IA

Algoritmos de limpieza de datos

Algoritmos de análisis de big data

Aprendizaje automático

Analítica predictiva

Tecnologías de almacenamiento de datos

Almacenamiento de datos seguro y accesible

Almacenamiento en la nube

Computación confidencial e

Centros de datos virtuales

Tecnologías de gestión de datos

Tecnologías de gestión de datos

Tecnologías de contabilidad distribuida (por ejemplo, Blockchain)

Programas y aplicaciones de interoperabilidad

Transferencia e intercambio de datos: comunicaciones digitales; plataformas de comercio, pago y prestación de servicios

Tecnologías de comunicación digital

Tecnologías de visualización de datos digitales

Medios de comunicación social

Videoconferencia basada en web

Comunicación asistida por máquina (por ejemplo, chatbots, algoritmos de generación de lenguaje natural)

Plataformas en línea: derechos de propiedad, pagos, servicios y mercados

Registros de permisos y derechos de propiedad en línea

Plataformas comerciales en línea

Crowdfunding basado en plataformas para servicios agrícolas y agroecosistémicos

Plataformas de pago online (para programas públicos)

Plataformas de prestación de servicios

a. Los avances en la tecnología de sensores se componen no solo de avances en tecnologías digitales y, en particular, avances en la creación de redes de sensores inalámbricos, sino también de innovaciones en física o química. Por ejemplo, los avances en nanotecnología han sido fundamentales para el desarrollo de los sensores físicos más avanzados que existen en la actualidad. Este proyecto se centra en los componentes digitales de las tecnologías de sensores y los servicios relacionados.

segundo. Los juegos serios son aplicaciones disponibles públicamente que buscan emplear el esfuerzo de los ciudadanos para la recopilación o el procesamiento de datos. Estas aplicaciones tienen “un propósito serio pero [incluyen] elementos de gamificación (es decir, la adición de elementos de juego a aplicaciones existentes) para ayudar a motivar a los voluntarios (Bayas et al., 2016 [5]) . En el contexto agrícola, los juegos serios hasta la fecha se han utilizado principalmente para el monitoreo y clasificación del uso del suelo y la cobertura del suelo.

C. Las tecnologías de ciencia ciudadana son tecnologías que facilitan el “compromiso y la participación del público en la ciencia y la innovación” (Declaración de Daejeon, 2015 [6]).

re. En relación con las tecnologías que automatizan la maquinaria agrícola, como los sistemas de ordeño automatizados, sembradoras y cosechadoras, y los sistemas de riego, este proyecto se centra en los componentes de sensores y software y los servicios relacionados de estas tecnologías.

mi. Ver recuadro 2.2.

2.1.1. Global y local: avances recientes en teledetección y monitoreo de borde de campo
Se ha avanzado mucho recientemente en el uso de la teledetección basada en satélites para producir productos de datos de mayor resolución (tanto espacial como temporal) y más precisos para la agricultura. Según Atzberger (2013 [7]), “los datos de detección de emociones pueden contribuir en gran medida a la tarea de seguimiento [agrícola] al proporcionar información oportuna, sinóptica, rentable y repetitiva sobre el estado de la superficie de la Tierra”. Puede proporcionar información completa sobre la superficie cultivada, la biomasa y el rendimiento, el seguimiento de los factores estresantes (por ejemplo, la sequía), así como información precisa sobre las acciones de gestión de las explotaciones, como las rotaciones de cultivos, y las estructuras como los edificios agrícolas, las cercas, las zonas de amortiguamiento de conservación, etc.

Gholizadeh, Melesse y Reddi (2016 [8]) proporcionan un estudio detallado (alrededor de 2016) de la evolución de los sensores espaciales y aéreos que proporcionan datos para la evaluación de la calidad del agua. Su análisis muestra una resolución espacial en constante aumento (incluido el lanzamiento de varios satélites durante el período 2007-2014 que proporcionan una resolución inferior al metro), así como una disminución constante en el tiempo entre visitas de más de dos semanas para la mayoría de los satélites en el período antes de 2000, a alrededor de 1-2 días más recientemente. Gómez, White y Wulde r (2016 [9]) De manera similar, explique que, hasta hace poco, los mapas de cobertura terrestre generalmente se basaban en datos de resolución relativamente gruesa (> 1 km), pero que ahora ha habido un aumento significativo en la captura de datos de resolución media (10m-100m) por satélites de observación terrestre. Pettorelli, Safi y Turner (2014 [10]) se refieren a los datos proporcionados por los satélites EU Sentinel como un «cambio de juego» para los esfuerzos globales para monitorear la biodiversidad (tanto en tierras agrícolas como en otras tierras). Bégué et al. (2018 [11]), revisando el potencial de la teledetección para proporcionar datos sobre las prácticas de cultivo, análogamente tenga en cuenta que se espera que los satélites Sentinel superen las limitaciones y limitaciones anteriores y mejoren la capacidad para detectar tipos de uso de la tierra pequeños y fragmentados (por ejemplo, áreas irrigadas) y obtener información regional y datos globales sobre prácticas de labranza del suelo. Estos avances allanan el camino para un mayor uso de productos de datos basados ​​en satélites para proporcionar datos a nivel de campo, a nivel de paisaje e incluso a nivel mundial para mejorar las políticas agrícolas de diversas formas. El recuadro 2.1 proporciona más detalles sobre el programa Copernicus de la UE.

Recuadro 2.1. El uso de la teledetección por el Centro Común de Investigación de la Unión Europea y el programa de Seguimiento de los Recursos Agrícolas (MARS)
Los satélites Sentinel del programa medioambiental Copernicus de Europa se utilizan, entre otras cosas, para estudiar los cambios en la agricultura de forma semanal, con una resolución de 10 metros y con una política de datos abiertos y gratuitos. El Centro Común de Investigación de la Unión Europea (JRC) ha estado utilizando datos satelitales para identificar información sobre áreas de cultivos y rendimientos desde 1988. Los datos satelitales permiten observar los cambios en el uso de la tierra: qué cultivos se están cultivando, qué tan bien se están desarrollando, etc. Estos datos se pueden utilizar para predecir el rendimiento estacional y para ayudar a pensar en cómo hacer frente a las bajas cosechas en varios lugares del mundo. Esto incluye la previsión del rendimiento de los cultivos, lo que permite advertir con anticipación sobre la escasez y el fracaso de los cultivos y apoyar la ayuda para los países con inseguridad alimentaria.

Una mayor precisión de los datos de satélite permite una gestión y un seguimiento más eficaces y eficientes de la Política Agrícola Común (PAC) . La mayor capacidad de los satélites permite un mejor monitoreo remoto de la agricultura, con medición de áreas de campo, identificación de tipos de cultivos, geolocalización de características del paisaje y evaluación de impactos ambientales.

Varias agencias de toda Europa (incluidas España, Lituania, Grecia, Reino Unido, Serbia, Bélgica, República Checa, Eslovenia, Rumanía y Países Bajos) están probando el potencial de estos datos para simplificar los procesos y agilizar el seguimiento. El monitoreo que anteriormente cubría solo el 5% de los productores ahora puede extenderse al 100%, cambiando potencialmente el diseño de la política y la implementación de la PAC (ver el proyecto Sen4CAP para la modernización y simplificación de la PAC en el plazo posterior a 2020). Para un análisis más detallado del uso de la teledetección para la administración del CAP, (ver Cuadro 3.7 en la sección 3.2.5.

Fuente : proyectos JRC, Copernicus y Sen4CAP.

Los avances en los vehículos aéreos no tripulados (UAV, drones) y el diseño de sensores remotos también han reducido drásticamente el costo y mejorado la eficacia de la teledetección aérea. Esto ha abierto un nuevo campo: el uso de vehículos aéreos no tripulados para la conservación 3 (también denominado “conservación de drones”) (Koh y Wich, 2012 [12]).. La teledetección aérea también se está volviendo cada vez más importante como fuente de datos para la cartografía de alta resolución (por ejemplo, cobertura y uso de la tierra, elevación, suelos, cuencas hidrográficas, etc.), especialmente para áreas remotas y para áreas con alta nubosidad que impiden algunos tipos. de sensores basados ​​en satélites. Los UAV también ofrecen la oportunidad de capturar mejores datos específicos de especies relevantes para las políticas de biodiversidad, al automatizar los conteos de vida silvestre y mejorar en gran medida la precisión y el nivel de detalle de los indicadores de biodiversidad (Hodgson et al., 2018 [13] ; Arts, van der Wal y Adams, 2015 [14]). Los usos de los vehículos aéreos no tripulados en las granjas como parte de los sistemas de agricultura de precisión también se están multiplicando: por ejemplo, la evidencia preliminar sugiere que los agricultores pueden usar drones para disminuir significativamente el costo de monitorear el crecimiento de los cultivos, aumentar la resolución de datos e identificar áreas que presentan problemas potenciales (p. Ej. identificación de áreas de bajo rendimiento, identificación más temprana y rápida de plagas o enfermedades) (Jarman, Vesey y Febvre, 2016 [15] ; Hunt y Daughtry, 2018 [16]) .

También se han producido rápidos avances tecnológicos en la monitorización de borde de campo (EOFM). Para su aplicación en la calidad del agua, Daniels et al. (2018, p. 5 [17]) señalan que en un período de tiempo relativamente corto, EOFM “ha evolucionado como un concepto de investigación y una herramienta a una práctica de rutina para documentar la calidad del agua de escorrentía en granjas reales en funcionamiento”. Harmel y col. (2018 [18]) proporcionan una breve historia de EOFM, señalando que el uso generalizado de dispositivos de muestreo electrónico comenzó en la década de 1990. También surgió el muestreo electrónico automatizado, que se volvió más común en la década de 2000. La investigación actual se centra en reducir el costo de los sistemas de muestreo, realizar más mejoras prácticas y diseñar métodos para medir la incertidumbre. Daniels y col. (2018 [17])tenga en cuenta que el costo sigue siendo un obstáculo que impide la adopción generalizada de EOFM por parte de los agricultores y que puede haber un papel para el gobierno para proporcionar asistencia financiera para EOFM; por ejemplo, los autores señalan que, reconociendo el valor de EOFM para monitorear el desempeño de las actividades de conservación en la finca, el USDA NRCS ahora ofrece asistencia de costo compartido para varias actividades de EOFM.

2.1.2. Automatización y aceleración del análisis: la nueva capacidad para recolectar, combinar y analizar datos en agricultura y alimentos
El uso de datos digitales en la agricultura se introdujo por primera vez como una fuente de crecimiento de la productividad a través de la agricultura de precisión. 4 Al principio, la agricultura de precisión implicaba principalmente el uso de sistemas de orientación, monitoreo de rendimiento, aplicación de tasa variable, 5 transmisión a larga distancia de información computarizada (telemática) y gestión de datos (OCDE, 2016 [19]) . Se desarrolló una plétora de sistemas no relacionados para recopilar datos sobre las actividades y el desempeño en la finca, como la variación del rendimiento y las características de los activos de producción.

Sin embargo, aunque se adquiría y utilizaba una gran cantidad de datos para diversos fines específicos, muchos de ellos no se podían combinar con otros datos y no se podían reutilizar fácilmente más allá del propósito inicial previsto. Además, gran parte de los datos agrícolas a los que tienen acceso otros actores, como gobiernos, investigadores y el público, se ha presentado solo en forma agregada; Por tanto, el uso de datos a nivel de animal, campo o granja individual ha sido costoso y limitado.

Una de las razones clave por las que los datos no se han utilizado en todo su potencial hasta la fecha es que los agricultores a menudo carecían de las herramientas y habilidades para explotar completamente los datos y usarlos para la toma de decisiones. La incapacidad de vincular datos a través de sistemas, cada uno centrado en una tarea específica, impidió conocer la relación entre ciertas prácticas de gestión y dentro del sistema agrícola, al menos en ausencia de una costosa síntesis manual de datos. Un solo punto de datos no tiene mucho sentido sin un contexto, puntos de referencia, tendencias o referencias causales. Si bien estos datos pueden ser informativos individualmente, los conocimientos obtenidos se pueden multiplicar considerablemente si se pueden combinar datos de diferentes tipos y de diferentes fuentes 6 .

Varias innovaciones tecnológicas han aumentado significativamente recientemente la capacidad de recopilar, agregar, procesar y analizar datos agrícolas: adquisición masiva de datos, almacenamiento, comunicación y tecnologías de procesamiento. Estas innovaciones permiten la digitalización y datificación de la agricultura:

Digitalización : conversión de datos y procesos analógicos a un formato legible por máquina (OCDE, 2019 [20]) . Muchos tipos de datos agrícolas se guardaban anteriormente en sistemas de archivo en papel. Por tanto, la digitalización no crea nuevos datos, sino que al convertir los datos existentes a formato digital permite que los datos se utilicen y transfieran de nuevas formas.

Dataficación : es la transformación de la acción en datos digitales cuantificados, lo que permite el seguimiento en tiempo real y el análisis predictivo. La datificación toma procesos y actividades no registrados previamente y produce datos que se pueden monitorear, rastrear, analizar y optimizar (Naimi y Westreich, 2014 [21]) .

Las TIC, incluida Internet y el desarrollo de sensores conectados que transforman el mundo analógico en datos legibles por máquinas, aprovechan cada vez más grandes volúmenes de datos digitales. La datificación y la digitalización juntas no solo han expandido rápidamente el volumen de datos agrícolas registrados en formato digital, sino que también han expandido la cobertura de datos a muchos aspectos de la producción agrícola y las variables asociadas de interés, incluidas las políticas públicas (por ejemplo, descarga de desechos, nutrientes de las granjas ) para los que no se disponía de datos anteriormente.

Estos grandes flujos de datos, y la capacidad de combinarlos, se denominan «big data» (OCDE, 2015 [22]) . 7 El acceso y procesamiento de estos grandes volúmenes, habilitados por una mayor potencia informática, a su vez permiten inferir relaciones, establecer dependencias y realizar predicciones de resultados y comportamientos (OCDE, 2015 [23]) , informando la toma de decisiones en tiempo real.

De hecho, tener más datos no es suficiente. Pero combinado con el progreso en la capacidad de comunicación y procesamiento, estos datos se utilizan progresivamente para crear conocimiento y brindar asesoramiento sobre los procesos de producción, e incluso para automatizar algunas actividades en la granja. Esto se conoce como información práctica 8 a nivel de finca ( Figura 2.1): los agricultores pueden beneficiarse del conocimiento creado a lo largo del tiempo en su propia explotación, pero también de otros, ya sean compañeros o instituciones de investigación y desarrollo. No obstante, convertir los datos en información útil generalmente requiere modelos y algoritmos, así como conocimiento sobre factores como la calidad de los datos y la tolerancia a errores para cada fuente de datos. Estos proporcionan la base para nuevas formas de conocimiento y nuevos servicios y herramientas, con el potencial de generar cambios significativos en las prácticas agrícolas, así como en las cadenas de valor agrícolas y alimentarias (Wolfert et al., 2017 [24]) . Esta combinación de agricultura de precisión con digitalización ha dado lugar a etiquetas como “agricultura 4.0” o “agricultura digital inteligente”.

La combinación de datos se ve facilitada aún más por la computación en la nube, que permite acceder a los recursos informáticos de una manera flexible bajo demanda con un bajo esfuerzo de gestión (OCDE, 2014 [25]) . La computación en la nube ofrece la capacidad para que los datos se almacenen y agreguen en ubicaciones distintas de donde se crean o utilizan, lo que respalda el análisis de macrodatos (OCDE, 2016 [26]) .

Finalmente, todas estas innovaciones han apuntalado los avances en Inteligencia Artificial (IA), definida como la capacidad de las máquinas y sistemas para adquirir y aplicar conocimientos y para llevar a cabo comportamientos inteligentes (OCDE, 2016 [26]) . La IA ayuda a las computadoras a interactuar, razonar y aprender como seres humanos para permitirles realizar una amplia variedad de tareas que normalmente requieren inteligencia humana, como la percepción visual, el reconocimiento de voz, la toma de decisiones, la traducción entre idiomas y la demostración de capacidad para moverse y manipular objetos en consecuencia. Los sistemas inteligentes utilizan una combinación de análisis de macrodatos, computación en la nube, comunicación de máquina a máquina e Internet de las cosas (IoT) para operar y aprender (OCDE, 2017 [27]) .

La disponibilidad de estas nuevas herramientas permite la creación de nueva información y, en particular, «conocimientos prácticos» no solo para los agricultores, sino también para los reguladores y los responsables de la formulación de políticas que exigen cada vez más datos para respaldar la formulación de políticas. políticas y servicios impulsados ​​” (OCDE, 2014 [1]) , y ver el caso de estudio 8 para ver un ejemplo en Estonia).

Figura 2.1. Revolución tecnológica para la producción de conocimientos prácticos en agricultura
Figura 2.1. Revolución tecnológica para la producción de conocimientos prácticos en agricultura
Nota : Esta figura hace uso del término Inteligencia Artificial (IA), introducido en 1956 y definido como un concepto amplio de máquinas capaces de realizar tareas de una manera considerada “inteligente”. Los avances recientes en IA se han realizado a través del aprendizaje automático. El aprendizaje automático es una aplicación actual de la IA, según la cual las máquinas deberían tener acceso a los datos para poder aprender por sí mismas. Consulte la Nota 8 para obtener una definición de «conocimientos prácticos».

Como reflejo de la naturaleza dinámica de muchos factores relevantes para las decisiones de gestión de la tierra, existe una fuerte demanda de información actualizada. Un aspecto particularmente beneficioso de las nuevas herramientas de análisis de datos es que a menudo están diseñadas para ser dinámicas y actualizables. Estas características reducen la necesidad de una inversión constante en nuevo hardware o software y se adaptan mejor a las necesidades de los usuarios. Por lo tanto, las herramientas que pueden permitir una actualización rápida de la información se adaptan mejor a la demanda de información y, como tal, es probable que se utilicen más, tanto ahora como en el futuro (fuente: Parte IV, Estudio de caso 1).

2.1.3. Avances en tecnologías de encriptación, protección de datos e intercambio de datos, e instituciones para compartir datos
Los avances en las tecnologías para el acceso, la gestión y el intercambio de datos están cambiando la viabilidad técnica, los costos y los riesgos asociados con el acceso y el uso de los datos agrícolas. Los desarrollos clave son:

Computación confidencial y computación multipartita : la «Computación confidencial» permite el acceso a un conjunto proscrito de funciones analíticas que se realizan sobre datos cifrados que no se revelan al científico o analista de datos. Esto permite un método nuevo y de baja fricción para realizar vínculos exploratorios y análisis de conjuntos de datos (fuente: Estudio de caso 6).

Publicación de datos sintéticos : un avance reciente en la tecnología de privacidad se conoce como privacidad diferencial.Esta es una medida cuantificable de la privacidad de ciertas técnicas de análisis de datos que involucran perturbaciones aleatorias de los datos que se analizan o del análisis en sí. Actualmente, los investigadores están trabajando en una variedad de mecanismos diferenciales privados para permitir la publicación de conjuntos de datos de registros de unidades sintéticos que contienen datos estadísticamente similares a los datos originales, pero pueden garantizar que los datos publicados no se puedan volver a identificar. Estos métodos pueden permitir la publicación de conjuntos de datos gubernamentales con menos restricciones de las que se necesitan actualmente para garantizar la confidencialidad. Estas técnicas implican agregar ruido a los datos y, por lo tanto, tienen cierto impacto en la utilidad de los datos para el análisis (fuente: Estudio de caso 6).

Avances en el software de visualización de datos: los últimos años han visto el lanzamiento de muchos tipos diferentes de software que ayudan a los usuarios a personalizar más fácilmente la visualización de datos. Muchos actores del sector agrícola (incluidas las agencias públicas) están haciendo uso de dicho software para mejorar la usabilidad de los conjuntos de datos existentes y facilitar el acceso al hacer que el acceso sea más «fácil de usar». Ejemplos incluyen:

software como Tableau, Qlikviw y Datawrapper que permite a los usuarios personalizar fácilmente las solicitudes de datos y ver los datos a través de paneles, gráficos personalizables, etc., generalmente a través de plataformas web; 9

Software del sistema de información geográfica (GIS) como ArcGIS, QGIS, MapInfo®, GRASS GIS. 10

Las instituciones para acceder, gestionar y compartir datos agrícolas están evolucionando junto con la innovación tecnológica descrita anteriormente. Las innovaciones institucionales son vías importantes para garantizar que las oportunidades que ofrece la innovación tecnológica puedan realizarse en la práctica. Los desarrollos clave en los últimos años son:

Principios de datos abiertos 11

Principios de datos FAIR (estudio de caso 6)

Nuevos arreglos para mejorar el acceso a los datos agrícolas en poder de las organizaciones públicas (Recuadro 2.2 y Estudio de caso 6)

Estándares de interoperabilidad y metadatos (Estudio de caso 1 y Parte III)

Nuevas alianzas para la innovación conjunta y la colaboración en la investigación y la gobernanza (estudios de caso 1 y 9)

Nuevos modelos de gobernanza colectiva para la agricultura y para los datos (estudio de caso 2)

Derechos de propiedad digital y derechos de acceso a datos. dieciséis

Dado que las políticas son en sí mismas instituciones y, además, aquellas que a su vez pueden dar forma a otras instituciones (por ejemplo, creando o protegiendo los derechos de propiedad, incentivando la colaboración, estableciendo un marco regulatorio para el acceso a los datos), muchos de los ejemplos que se dan en este informe, particularmente a través de los estudios de caso son ejemplos de cómo la innovación institucional permite a los gobiernos hacer un mejor uso de las tecnologías digitales o permite que otros lo hagan. A lo largo de este informe se ofrece más información sobre estas innovaciones institucionales.

Recuadro 2.2. Avances en los arreglos para el acceso a datos agrícolas en poder de organizaciones públicas (Estudio de caso 6)
Se han desarrollado soluciones tecnológicas durante muchos años para permitir que haya más datos disponibles para su uso, como las técnicas de anonimización y ofuscación de datos. También hay una gran cantidad de enfoques más nuevos de confidencialidad para facilitar el intercambio de datos para la investigación mientras se protege la privacidad o se cumplen los requisitos de confidencialidad. Todos estos se han utilizado en implementaciones exitosas a gran escala en Australia e internacionalmente (O’Keefe y Rubin, 2015 [28] ; Reiter y Kohnen, 2005 [29]) :

Acceso a datos abiertos sin identificación : el analista descarga los datos directamente (por ejemplo, conjuntos de datos accesibles a través de la iniciativa GODAN 1 )

Acuerdos de usuario para uso externo (licenciamiento), en los que los usuarios deben registrarse con una agencia de custodia y firmar un acuerdo de usuario antes de recibir datos para analizarlos fuera del sitio.

Sistemas de análisis remoto , en los que el analista envía consultas estadísticas a través de una interfaz, los análisis se llevan a cabo sobre los datos originales en un entorno seguro y luego el usuario recibe los resultados (confidenciales) de los análisis.

Centros de datos virtuales (VDC), que son similares a los sistemas de análisis remoto, excepto que el usuario tiene acceso completo a los datos y son similares a los centros de datos en el sitio, excepto que el acceso se realiza a través de un enlace seguro en Internet desde el sitio del investigador. institución (por ejemplo, la plataforma de enclave de datos USDA-ERS proporcionada por NORC; 2 Oficina Australiana de Estadísticas DataLab 3 ). Los VDC también pueden hacer uso de la contenerización , donde el analista puede acceder a los datos de forma limitada, en una plataforma segura a través de una aplicación en contenedores (por ejemplo, la plataforma SURE utilizada por el Sax Institute 4 ).

Asegurar, en – los centros de datos del sitio , en el que los investigadores tienen acceso a datos confidenciales de seguro, en el lugar de los centros de datos de investigación (por ejemplo, el Centro seguro de acceso a datos, Francia 5 ).

Cada arreglo hace que los datos estén disponibles en un nivel específico de detalle, donde los detalles sensibles pueden reducirse mediante métodos que incluyen la eliminación de información de identificación; la confidencialización de los datos mediante uno de varios métodos, incluida la agregación, la supresión o la adición de «ruido» aleatorio; o reemplazo de variables o datos sensibles con datos sintéticos («inventados»).

Notas

← 1. La iniciativa Global Open Data for Agriculture and Nutrition (GODAN) promueve “el intercambio proactivo de datos abiertos para que la información sobre agricultura y nutrición esté disponible, accesible y utilizable”. GODAN promueve el intercambio de datos tanto dentro como fuera de las fronteras nacionales. Véase https://www.godan.info/ , consultado en agosto de 2018.

← 2. “El Servicio de Investigación Económica (ERS) de [Estados Unidos] y el Servicio Nacional de Estadísticas Agrícolas (NASS), en coordinación con el Servicio de Alimentos y Nutrición (FNS), utilizan el Enclave de Datos de [la Universidad de Chicago] para proporcionar investigadores autorizados Acceso remoto seguro a los datos recopilados como parte de la Encuesta sobre el manejo de recursos agrícolas (ARMS), la principal fuente de información para el Departamento de Agricultura de los EE. UU. y el público sobre una amplia gama de cuestiones sobre el uso de los recursos agrícolas de EE. UU., los costos y las finanzas del sector agrícola. condiciones «. Véase http://www.norc.org/Research/Projects/Pages/usda-ers-data-enclave.aspx , consultado en agosto de 2018.

← 3. “El DataLab es la solución de análisis de datos para usuarios de alto nivel que desean realizar análisis complejos interactivos (en tiempo real) de microdatos. Dentro del DataLab, los usuarios pueden ver y analizar la información de los registros de la unidad utilizando un software analítico actualizado sin restricciones de código, mientras que los archivos permanecen en el entorno seguro de ABS. Todas las salidas analíticas son verificadas por el ABS antes de ser entregadas al investigador ”.

http://abs.gov.au/websitedbs/D3310114.nsf/home/CURF:+About+the+ABS+Data+Laboratory+%28ABSDL%29 , consultado en agosto de 2018.

← 4. SURE es «el único laboratorio de investigación de datos de acceso remoto de Australia para analizar los datos [relacionados con la salud] recopilados de forma rutinaria, lo que permite a los investigadores iniciar sesión de forma remota y analizar de forma segura datos de fuentes como hospitales, médicos generales y registros de cáncer». Ver https://www.saxinstitute.org.au/our-work/sure/design-and-functionality/ , consultado en agosto de 2018.

← 5. Ver https://www.casd.eu/en/ , consultado en septiembre de 2018. Este es el canal para acceder a los datos agrícolas a nivel micro en Francia, incluidos los datos de la RICA, pero también las encuestas de prácticas agrícolas. El CASD ha estado en vigor desde 2012 y contiene varios tipos de datos sensibles (por ejemplo, salud, impuestos, encuestas comerciales y datos administrativos como medidas agroambientales).

Fuente: Estudio de caso 6, Parte IV.

2.1.4. Los impulsores de la digitalización de los sectores agrícola y alimentario
La mayor capacidad para capturar, gestionar y extraer conocimientos de los datos tiene el potencial de alterar la organización del sistema alimentario, al influir en el suministro y el uso de insumos en la agricultura, así como en la forma en que se suministran y valoran los productos agrícolas en la cadena de valor. . Los datos y las tecnologías digitales pueden permitir una mejor gestión de las granjas, la productividad agrícola y el uso de recursos (impulsores en la granja). La digitalización de la agricultura y las granjas se está produciendo en un amplio espectro, desde soluciones de baja tecnología que utilizan dispositivos y plataformas móviles para proporcionar servicios de toma de decisiones de gestión, hasta «granjas digitales» de alta tecnología que utilizan sistemas integrados que incluyen sensores en el campo e Internet de las cosas. (IoT); análisis de big data para la toma de decisiones; y drones, robótica e inteligencia artificial (IA) para la automatización de procesos. La necesidad de inversiones a nivel de finca varía enormemente dependiendo del tipo de servicios requeridos, que a su vez dependen del tipo de sistema de producción y finca: por ejemplo, los grandes productores ganaderos extensivos no tienen las mismas limitaciones y necesidades que la producción de frutas y hortalizas hidropónicas. productores de hortalizas o agricultores de subsistencia. Independientemente, todos pueden beneficiarse de los nuevos servicios. Ya sea que las inversiones en tecnologías se realicen en la finca o por los proveedores de servicios, las principales razones por las que los agricultores hacen uso de las tecnologías digitales es que estas tecnologías reducen los costos o responden a una nueva necesidad en un entorno cambiante. Los grandes productores de ganado extensivo no tienen las mismas limitaciones y necesidades que los productores de frutas y hortalizas hidropónicas o los agricultores de subsistencia. Independientemente, todos pueden beneficiarse de los nuevos servicios. Ya sea que las inversiones en tecnologías se realicen en la finca o por los proveedores de servicios, las principales razones por las que los agricultores hacen uso de las tecnologías digitales es que estas tecnologías reducen los costos o responden a una nueva necesidad en un entorno cambiante. Los grandes productores de ganado extensivo no tienen las mismas limitaciones y necesidades que los productores de frutas y hortalizas hidropónicas o los agricultores de subsistencia. Independientemente, todos pueden beneficiarse de los nuevos servicios. Ya sea que las inversiones en tecnologías se realicen en la finca o por los proveedores de servicios, las principales razones por las que los agricultores hacen uso de las tecnologías digitales es que estas tecnologías reducen los costos o responden a una nueva necesidad en un entorno cambiante.

Esta mayor capacidad beneficia tanto al sector agrícola como a los sectores ascendentes y descendentes. Los macrodatos agrícolas pueden respaldar la gestión agrícola en tiempo real, una gama de servicios de valor agregado y capacidades de automatización que, a su vez, respaldan aún más la mejora de los procesos agrícolas (Sonka y Cheng, 2015 [30]) .

Motores en las explotaciones agrícolas para la digitalización de la agricultura
La transformación digital agrícola potencialmente apoya:

Mejora de la productividad y la sostenibilidad agrícolas.

Mejor gestión de riesgos, incluso para adaptarse o mitigar los impactos del cambio climático.

Mejor acceso a los mercados y gestión empresarial.

Gestión mejorada de procesos administrativos.

Estos procesos no necesitan grandes inversiones en la finca: un teléfono móvil y una cámara pueden ser suficientes para brindar servicios como la identificación remota de plagas. Muchas iniciativas también se basan actualmente en la teledetección, en particular los datos de satélite. Los datos satelitales son cada vez más precisos y el precio de la información que crean está disminuyendo. También tienen la ventaja de una cobertura global, datos homogéneos y observaciones repetidas que crean datos históricos. Los datos satelitales ya están integrados en muchos sistemas, lo que significa que los costos de entrada son bajos.

Sin embargo, los datos satelitales tienen sus límites, en particular para la prestación de servicios locales que llegan a los agricultores de forma inteligible. Para la prestación del servicio, los datos satelitales a menudo deberán combinarse con otros sistemas de datos o sensores. En particular, porque el nivel de precisión todavía no se ha refinado lo suficiente a nivel de explotación. También es necesario pre-analizar los datos satelitales para permitir su uso para servicios de análisis y llegar y ser útiles para los agricultores (Estudio de caso 8). Un ejemplo de un sistema basado en satélites es el programa Copernicus de la UE ( recuadro 2.1 ).

Las innovaciones digitales también pueden afectar indirectamente la productividad sostenible de las granjas. Por ejemplo, el análisis de big data aumenta la capacidad de los científicos para diseñar plantas resistentes a la sequía o a ciertas plagas, reduciendo su necesidad de agua o el uso de insumos químicos y aumentando la resiliencia de la producción de los agricultores a tales eventos exógenos. 12 Estas vías indirectas se reconocen pero no se analizan más en este informe.

Motores no agrícolas para la digitalización de la agricultura
También existen factores no agrícolas, como una mayor demanda de información sobre productos agroalimentarios por parte de los consumidores, y la necesidad de adoptar tecnología en las explotaciones para participar o seguir siendo competitivo en cadenas de valor globales cada vez más digitalizadas. La demanda de datos relacionados con la agricultura a lo largo de la cadena de valor está aumentando, tanto del sector público como del privado. Se pueden identificar varios factores posteriores que empujan a los productores agrícolas hacia una mayor digitalización.

El primer conjunto de factores se relaciona con la gestión de la cadena de valor y los requisitos comerciales. Las tecnologías digitales pueden respaldar la creación y gestión de un «ciclo de datos» 13 desde la granja hasta la mesa, donde la información es transmitida por todos los actores de la cadena de suministro, lo que permite una trazabilidad completa. El acceso a los datos agrícolas también puede mejorar la eficiencia en la gestión de las regulaciones comerciales, particularmente cuando los sistemas comerciales se administran mediante la adopción de documentos comerciales y electrónicos sin papel (OCDE / OMC, 2017). En particular, el registro automático de datos agrícolas (por ejemplo, prácticas agrícolas, procedencia, etc.) en línea puede proporcionar información importante para los procesos aduaneros y acelerar el despacho en la frontera. En general, esto puede aumentar el acceso al mercado para los productores agrícolas y reducir los costos comerciales.

El segundo conjunto de factores se relaciona con la demanda de los consumidores y la implementación gubernamental de las políticas agrícolas. La información recién creada o un mayor acceso a la información pueden crear nuevas fuentes de valor relacionadas con la reputación y responder a las preferencias de los consumidores. La seguridad alimentaria es uno de los atributos de calidad más importantes para los consumidores y el efecto de un brote en la reputación de un procesador de alimentos o minorista puede ser duradero (Jouanjean, 2012 [31]).. La industria alimentaria está explorando el uso de tecnologías digitales, en particular tecnologías de contabilidad distribuida (blockchain), para mantener registros digitales seguros y mejorar la trazabilidad. El objetivo es renovar los procesos de gestión de datos a través de una red compleja que incluye agricultores, agentes, distribuidores, procesadores, minoristas, reguladores y consumidores, para facilitar las investigaciones sobre enfermedades transmitidas por alimentos. Las investigaciones pueden llevar semanas y tener consecuencias dramáticas; Las tecnologías digitales como blockchain podrían reducir ese tiempo a segundos. También existen oportunidades relacionadas con el uso de otros atributos de calidad más allá de la seguridad alimentaria para la creación de nichos de mercado (véase Jouanjean (2019 [32]) ).

2.1.5. La adopción puede verse obstaculizada por la falta de habilidades; pero ¿qué y cuyas habilidades?
A menudo se menciona que los agricultores y los asesores pueden no tener las habilidades para utilizar tecnologías digitales o la comprensión total de sus usos potenciales (OCDE, 2018 [33]) . Es innegable que existe una diferencia en la accesibilidad entre generaciones, con una brecha entre las generaciones más jóvenes criadas en la nueva era digital y las generaciones mayores. Sin embargo, la cuestión de la adopción no es necesariamente una cuestión de agricultoreshabilidades para utilizar las propias tecnologías digitales, o de conocimientos técnicos sobre cómo funcionan las tecnologías. Muchas herramientas digitales para la agricultura son plataformas o aplicaciones que más bien requieren una comprensión de las redes sociales y una conciencia y confianza sobre todas las posibilidades que ofrecen dichas plataformas. Estas plataformas están siendo utilizadas en países en desarrollo por poblaciones con bajos niveles de educación escolar formal.

La cuestión de qué nivel de comprensión se requiere también es relevante para las herramientas digitales de alta tecnología. Las tecnologías digitales son una ayuda para la toma de decisiones e incluso pueden permitir la automatización de decisiones en la granja. Esto puede implicar que los agricultores deleguen parte del conocimiento y la toma de decisiones en la finca a la tecnología, es decir, a quienes programaron y crearon la tecnología. Si bien los agricultores no necesitan comprender todos los elementos técnicos de las tecnologías, necesitan conocimientos suficientes para poder gestionarlos de manera eficaz en sus fincas. Por ejemplo, cuando se utiliza maquinaria de agricultura de precisión, mientras que la comprensión de los agricultores no necesariamente se extiende a la capacidad de realizar el mantenimiento por sí mismos (por ejemplo, en maquinaria de agricultura de precisión), Los agricultores deben poder comprender las funciones de las tecnologías y cómo utilizar elementos digitales como mapas de rendimiento, regímenes de aplicación de fertilizantes o pesticidas producidos por maquinaria agrícola de precisión. También pueden necesitar saber cómo utilizar programas de automatización (por ejemplo, programadores de riego, plantadoras robóticas, cosechadoras). La comprensión también es importante para la aceptación de las recomendaciones: de lo contrario, las tecnologías pueden parecer una “caja negra” y los agricultores pueden no actuar sobre las recomendaciones debido a la falta de confianza.

Leer más

En este artículo veremos las tecnologías emocionantes que se están desarrollando, así como una mirada retrospectiva a algunas de las tecnologías existentes y cómo han ayudado a moldear las vidas y la rentabilidad continua de los agricultores de precisión en todo el mundo. Ha habido algunos desarrollos y avances realmente asombrosos en las industrias de tecnología agrícola. Algunos han sido revolucionarios, algunos han sido innovadores y algunos incluso han sido muy inusuales. Esperamos que disfrute de nuestro viaje de instantáneas del mundo agrícola, pasado, presente y futuro.

Pasado
El verdadero despegue de la agricultura de precisión tal como la conocemos hoy tuvo lugar a mediados de los noventa. A raíz del gran auge tecnológico que se había producido en los años 80 y continuó hasta principios de los 90, la agricultura comenzó a ver avances como resultado directo de esto.

Las primeras tecnologías de tasa variable comenzaron a usarse junto con desarrollos en el campo científico dedicados a mejorar la agricultura. Las universidades de los EE. UU. Comenzaron a descubrir que los rendimientos se veían afectados por los niveles de fertilización, pero que la fertilización no era igual. Algunos campos, por ejemplo, se beneficiaron de la fertilización, otros no y aún más complicados fueron los campos que tenían aspectos que necesitaban fertilización y otros que no.

Con este nuevo conocimiento en mente, los agricultores se volvieron más inteligentes sobre cómo fertilizaban sus granjas y cuánto gastaban en fertilizantes. El equipo de fertilización de dosis variable se desarrolló para distribuir el fertilizante de manera adecuada en los campos cuando y cuando se necesite. Esto luego puso los engranajes en movimiento para otros equipos de tasa variable como sembradoras y aparatos de riego.

Presente
A medida que los beneficios de la tecnología comenzaron a sentirse en abundancia en toda la industria agrícola, también lo hizo la inversión para desarrollar tecnología más innovadora para ayudar a los agricultores de precisión. Esto resultó en una gran inversión en investigación agrícola, infraestructura y desarrollo tecnológico.

Algunos de nuestros artilugios tecnológicos favoritos que utilizan hoy en día los agricultores de precisión son;

Drones . No podemos tener suficiente de los drones, desarrollados originalmente como una forma de estudiar la tierra desde arriba, casi ha llegado a la plenitud de lo brillantes que pueden ser. Estos prácticos pedazos de tecnología voladora no solo les dicen a los agricultores todo lo que necesitan saber sobre su tierra desde arriba, sino que ahora se comunican de forma autónoma con vehículos terrestres no tripulados que se atascan y hacen el trabajo agrícola para los agricultores. Algunos drones tienen equipos de pulverización conectados, otros tienen un software de imágenes intrincado que penetra debajo de la superficie de los campos. Son un equipo agrícola verdaderamente versátil que solo tiene la limitación de la imaginación.
Aplicaciones GPS. Los agricultores ahora controlan cada parte de sus granjas desde sus teléfonos inteligentes. Desde monitorear las condiciones climáticas y los pronósticos y ajustar el riego hasta monitorear el ganado y rastrear su ubicación. Las aplicaciones GPS no solo les permiten a los agricultores un mayor nivel de control sobre sus granjas, sino que también les ofrecen la oportunidad de registrar y compartir información de formas nunca antes vistas. Big data se ha convertido en una gran palabra de moda en la comunidad de agricultura de precisión. Los agricultores están aprendiendo cada vez más sobre cómo se comportan sus propias granjas y campos mediante el análisis de datos tanto de sus propias granjas y campos como de los de sus vecinos. Los problemas que le quitarían días a la vida de un granjero ahora se resuelven en horas como resultado de las aplicaciones de GPS, en lugar de rastrear y cazar animales callejeros, los datos de GPS ahora señalan dónde está el ternero perdido.
Robots . Aunque relativamente primitivos, están aquí y se utilizan en granjas. Al igual que con otras tecnologías de esta lista, esperamos que los robots se integren cada vez más en los próximos años. Actualmente, los robots recolectores de frutas patrullan vastos viñedos, monitorean los cultivos y luego recogen la fruta para la cosecha. Dada la riqueza de la industria del vino, a menudo son los productores de uva de precisión los que marcan la tendencia en las prácticas agrícolas, ya que tienen el dinero para invertir en nuevas tecnologías. A medida que estas tecnologías cobran impulso, se vuelven más asequibles y los agricultores de todo el mundo comienzan a beneficiarse.
Futuro
Estamos muy entusiasmados con el futuro de la agricultura de precisión y los maravillosos giros que está tomando ahora. Dado que cada vez más agricultores tienen mayores márgenes de beneficio, la reinversión en áreas tecnológicas clave es mayor. Ahora, los agricultores de otras áreas, como la producción de maíz y soja, son pioneros en tecnología, donde antes solo los productores de uva ricos podían permitirse tales lujos.

Los robots se están volviendo cada vez más sofisticados y existe un gran impulso global hacia la automatización y la inteligencia artificial. La tecnología sin conductor está siendo desarrollada tanto por los fabricantes de automóviles como por los fabricantes de maquinaria agrícola.

La forma en que se registran los datos también está cambiando, con el mundo bastante oscuro e inusual de las criptomonedas, las tecnologías Blockchain pioneras que han abierto las puertas para los libros de contabilidad virtuales y el mantenimiento de registros. Esta tecnología ya se está utilizando con un efecto tremendo en el lejano oriente, y países como China gestionan inventarios completos de recursos con libros de contabilidad de Blockchain.

Es probable que el futuro de la agricultura sea un sueño total para los propietarios de granjas. En lugar de ser trabajadores de la tierra, se convertirán en propietarios de tierras, y los robots y la tecnología harán todo el soborno por ellos. Esto significará que hay una gran pérdida de empleo para los trabajadores agrícolas en general, pero los agricultores que han heredado granjas durante generaciones y se han esclavizado y trabajado para trabajar la tierra heredarán una empresa verdaderamente magnífica.

Es probable que la granja del mañana esté gobernada por acero inoxidable con circuitos complejos e inteligencia artificial. Aumentar los rendimientos en cada cosecha mientras un agricultor se sienta y administra su granja como un negocio de formas que antes solo se hubieran soñado.

Es una perspectiva desalentadora, es extraño comprenderlo, pero sucederá, y la aceptación ahora está creciendo rápidamente. Ahora es sólo una cuestión de tiempo antes de lo inevitable, y creemos que será asombroso y maravilloso para los agricultores de todo el mundo que tanto han sufrido. Es la tierra prometida.

Leer más