Disculpe mi franqueza, pero es hora de que termine el debate sobre la necesidad de una “agricultura de precisión”. Los agricultores no pueden darse el lujo de no adoptar la agricultura de precisión y el mundo necesita el aumento de productividad que puede producir. El futuro estará dominado por una agricultura cada vez más precisa . La agricultura, bien hecha, como cualquier otra empresa profesional, requiere precisión. ¿Se preguntaría si su cirujano debería operar con un bisturí afilado en el lugar preciso que requiere atención o si el corredor de bolsa debería hacer pedidos por las acciones precisas al precio exacto deseado? La agricultura es igualmente exigente.
Los agricultores, y todo el ecosistema agrícola, necesitan desesperadamente una agricultura cada vez más precisa. Sin la adopción generalizada de la agricultura de precisión con sus nuevos enfoques y tecnologías que producen una toma de decisiones superior, rentabilidad, productividad y sostenibilidad, la tierra se convertirá en un planeta muy hambriento e inestable. No me acusen de ser maltusiano. Malthus estaba equivocado porque no podía o no quería prever los avances logrados por los innovadores y la ciencia. Aquellos que predicen la hambruna mundial volverán a estar equivocados. Sin embargo, nos corresponde a nosotros, al igual que a las generaciones posteriores a Malthus, demostrar que el argumento es incorrecto. A un nivel más personal, la innovación es la clave para que los agricultores mantengan su competitividad.
La agricultura de precisión, como cualquier otro avance de la humanidad, representará un continuo de mejora. Tendrá limitaciones, esas limitaciones serán abordadas por jugadores serios, la ciencia mejorará, la calidad de los datos mejorará, los aprendizajes dentro y fuera de ag se incorporarán para mejorar aún más. Mire su iPhone de primera generación para ver un buen ejemplo fuera de la agricultura. ¿Qué podía hacer en 2009, hace solo 9 años, en comparación con la computadora del tamaño de una mano de hoy? Puedo recordar los primeros días de las comunicaciones de datos cuando celebrábamos velocidades de 4.8 Kbps. Eso fue a finales de los 80. Ahora, definimos velocidades de datos contra el estándar de fibra para el hogar o 1 Gbps – 208 milveces más rápido. ¿Y si hubiéramos dicho: «esto no es bueno», es demasiado lento y lo olvidé. Algunas personas lo hicieron, para su gran desgracia. Otros vieron la velocidad lenta como una base sobre la que construir y un desafío para mejorar rápidamente. Esa actitud fomentó la mejora continua que condujo a la maravilla de hoy.
Con múltiples tipos de suelo que reaccionan de manera diferente a varios insumos, microclimas, etc., la producción puede variar enormemente dentro de áreas pequeñas. Hemos medido una variabilidad de 100 BPA (bushels por acre) dentro de un campo de 150 acres. Si su consultor lo guía para tomar decisiones a nivel de campo, es muy probable que no esté cultivando con la precisión suficiente. Las condiciones dentro de los condados varían ampliamente. Si usted o su asesor están evaluando su desempeño con respecto al promedio del condado, su medición no es precisa. Las condiciones climáticas varían mucho durante períodos de tiempo y tienen un impacto importante en los rendimientos de un año a otro. Si usted o sus asesores están midiendo el rendimiento con respecto a la producción histórica sin tener en cuenta explícitamente los efectos del clima año tras año, es muy probable que su medición sea errónea y lleve a decisiones improductivas.Main Street Data identificó que, junto con las prácticas agrícolas, determinan el rendimiento. Los tipos / condiciones del suelo y diversas medidas relacionadas con el clima son las más destacadas. Generalmente, comprender el alcance de la contribución de esas variables a un nivel de sub-campo (zona de manejo) es la única base adecuada para evaluar la competitividad del desempeño de los agricultores y para evaluar si las prácticas agrícolas implementadas están creando una tendencia favorable o desfavorable y produciendo los resultados deseados.
Las preguntas en ag no son sobre ciencia de datos. He sido responsable de análisis de datos / análisis económico / evaluación comparativa en tres empresas lo suficientemente grandes como para encajar dentro de las 5 principales empresas agrícolas en tamaño. Una, AT&T, sería mucho más grande que cualquier empresa agrícola actual. Mi primera experiencia de evaluación comparativa fue en AT&T, en 1983, hace 35 años. Las matemáticas que impulsaban la evaluación comparativa estaban maduras en ese momento. El obstáculo que enfrentamos fue el mismo obstáculo que ha enfrentado ag: CANTIDAD Y CALIDAD DE DATOS INADECUADOS. El problema de los datos se ha resuelto en gran medida en las comunicaciones, la fabricación, los servicios financieros y otras industrias. También se puede resolver en ag, pero solo mediante una recopilación seria, costosa, minuciosa y consistente de una gran cantidad de datos de alta calidad. No hay atajos.
¿Qué quiero decir con «lotes»? En Main Street Data hemos recopilado más de 1.300 millones de muestras de rendimiento de subcampos en 25 estados y durante 7 años. Comenzamos en 2010. También hemos recopilado 56 variables para cada una de esas 1.300 millones de muestras, incluido el suelo y más de 20 años de datos meteorológicos que hemos correlacionado individualmente con el rendimiento recopilado a nivel geogranular de 150 pies cuadrados. Afortunadamente, también nos beneficiamos de una gran variabilidad climática (2012, 13, 14).
¿Qué quiero decir con «calidad»? En el primer año no tomamos medidas para compensar el entorno inherentemente hostil que representa la agricultura: inconsistencia del agricultor en la calibración del monitor de rendimiento y variación ambiental en el calor, la humedad, el polvo, etc., etc. que soy consciente. La cartera de empresas de Open Air Equity Partners (My Investment Company) recopila datos, los procesa y realiza análisis de datos para automóviles, hogares, aviones y más conectados. Ningún desafío se compara con ag. Nuestra reacción fue gastar 80 millones de dólares para obtener «lo suficiente» y «hacerlo bien». Inspeccionamos las cosechadoras antes de permitirles comenzar la cosecha de cada campo a un costo extraordinario: una tecnología durante 4 a 5 horas. Los técnicos completaron una lista de verificación de 300 puntos, 30 de los cuales estaban directamente relacionados con la precisión de la recopilación de datos. Calibramos. Monitoreamos la calibración. Impusimos procesos de control de calidad después de la recolección. Realizamos pronósticos y pruebas retrospectivas exhaustivas y logramos puntuaciones altas de R cuadrado en nuestros estudios estadísticos. ¿Qué diferencia hizo eso? Antes de la adopción de esos pasos, descalificamos casi dos tercios de los datos recopilados. Con esos pasos en su lugar, descalificamos alrededor del 3% de los datos recopilados. El problema que enfrentamos hoy no es la falta de ciencia, incluida la ciencia de datos, capaz de crear un aumento de la productividad en función de pasos. El ingrediente que falta son suficientes datos precisos para alimentar la ciencia de la agricultura de precisión. ¿Qué diferencia hizo eso? Antes de la adopción de esos pasos, descalificamos casi dos tercios de los datos recopilados. Con esos pasos en su lugar, descalificamos alrededor del 3% de los datos recopilados. El problema que enfrentamos hoy no es la falta de ciencia, incluida la ciencia de datos, capaz de crear un aumento de la productividad en función de pasos. El ingrediente que falta son suficientes datos precisos para alimentar la ciencia de la agricultura de precisión. ¿Qué diferencia hizo eso? Antes de la adopción de esos pasos, descalificamos casi dos tercios de los datos recopilados. Con esos pasos en su lugar, descalificamos alrededor del 3% de los datos recopilados. El problema que enfrentamos hoy no es la falta de ciencia, incluida la ciencia de datos, capaz de crear un aumento de la productividad en función de pasos. El ingrediente que falta son suficientes datos precisos para alimentar la ciencia de la agricultura de precisión.
Dije anteriormente que los agricultores no pueden darse el lujo de no adoptar la agricultura de precisión. He aquí una ilustración. Tenemos un gran conjunto de datos para el maíz en Iowa. Me plantea la pregunta: ¿cuánto se beneficiarían de un granjero de maíz de Iowa por aumento de acres si la producción se incrementó desde el 50 ° percentil (promedio) a los 60 ° percentil (superior al 40%). Por cierto, estas medidas no son teóricas. Son rangos de producción reales, realmente observados, ya que el maíz fue cosechado por nuestra empresa y se explican por los agricultores que adoptan prácticas agrícolas diferentes y mejores. La respuesta, incluidos los costos incrementales de aumentar la producción, fue $ 20 por acre. Pasar del promedio al 40% superior no parece hercúleo. De hecho, consideramos que el 75 ºpercentil como el estándar de «mejores prácticas» y el logro de ese nivel de mejora aumentaría aún más las ganancias. ¡Uno puede permitirse la agricultura de precisión con estos rendimientos estimados! De hecho, uno no puede permitirse el status quo.
En Main Street Data , trabajando con GISC , la primera cooperativa de datos agrícolas, aspiramos a aplicar nuestro extraordinario conjunto de datos y ciencia de datos para Validar – Validar que se está avanzando en los rendimientos de los cultivos después de tener en cuenta la variabilidad relacionada con el clima; que se están cumpliendo las metas de producción / financieras; que los productos y las prácticas están produciendo los resultados requeridos para justificar los costos y la producción de ROI, que la tierra se está desempeñando de manera competitiva en comparación con otras tierras comparables y así sucesivamente. A diferencia de todos los demás ecosistemas que conozco, la agricultura no tiene JD Power, ni Underwriters Labs, ni Nielsen, Morningstar, etc., ni una fuente independiente de validación, libre de los conflictos que surgen de forma inherente cuando uno está evaluando un producto que ha vendido. o consejo que ha dado. No estamos ni estaremos en conflicto por vender semillas, productos químicos o hacer recomendaciones de productos / prácticas. Tenemos la intención de proporcionar la base fáctica para que otros puedan hacer recomendaciones y decisiones y Validaremos continuamente. En la mayoría de las empresas de Estados Unidos, una fórmula simple guía la secuencia de eventos: planificar, hacer, verificar, actuar. (PDCA). Esta sencilla fórmula fue presentada por el famoso Edward Demming y condujo a la proliferación de programas de reingeniería de procesos y calidad a finales de los 80 y principios de los 90 y finalmente inspiró el premio Malcolm Baldridge. MSD aspira a ayudar a otros a satisfacer la función «Verificar». Nuestro mantra es «Innovar pero validar» Esta sencilla fórmula fue presentada por el famoso Edward Demming y condujo a la proliferación de programas de reingeniería de procesos y calidad a finales de los 80 y principios de los 90 y finalmente inspiró el premio Malcolm Baldridge. MSD aspira a ayudar a otros a satisfacer la función «Verificar». Nuestro mantra es «Innovar pero validar» Esta sencilla fórmula fue presentada por el famoso Edward Demming y condujo a la proliferación de programas de reingeniería de procesos y calidad a finales de los 80 y principios de los 90 y finalmente inspiró el premio Malcolm Baldridge. MSD aspira a ayudar a otros a satisfacer la función «Verificar». Nuestro mantra es «Innovar pero validar»
Hay demasiado en juego como para comprometerse, para adoptar un enfoque de “es suficientemente bueno”, ya sea que se refiera a productos y prácticas oa la calidad de los datos que respaldan la toma de decisiones. Podemos, cada vez más conocer la mejor respuesta y actuar con precisión y podemos Validar que lo hemos hecho.