Con la exageración de los medios y el marketing de hoy, es fácil confundirse acerca de los dos términos, agricultura de precisión y Big Data. Además de revisar brevemente el impacto de la agricultura de precisión, este artículo enfatiza que Big Data es mucho más que agricultura de precisión. Sin embargo, las operaciones de agricultura de precisión a menudo generarán elementos clave de los datos necesarios para las aplicaciones de Big Data. Esta es la segunda de una serie de seis partes sobre Big Data y agricultura.
Este artículo proporciona una idea de la evolución de la agricultura de precisión, identifica las tecnologías más populares empleadas y revisa la evidencia ciertamente escasa en cuanto a la eficacia de estas innovaciones en la finca. El artículo concluye discutiendo los vínculos clave con Big Data.
20 años (más o menos) de agricultura de precisión.
La agricultura de precisión tiene varias dimensiones; de hecho, el concepto en sí no está definido con precisión. Un informe de 1997 del Consejo Nacional de Investigación se refiere a la agricultura de precisión, «… como una estrategia de gestión que utiliza tecnologías de la información para traer datos de múltiples fuentes para influir en las decisiones asociadas con la producción de cultivos». Por alguna razón, el término agricultura de precisión se ha relacionado principalmente con la producción de cultivos. Sin embargo, las prácticas de precisión y las técnicas de Big Data son igualmente aplicables en la agricultura animal.
Los agricultores y los administradores de agronegocios desempeñaron un papel importante en el desarrollo de la agricultura de precisión. Por ejemplo, a mediados de la década de 1990, un grupo de profesionales de la agroindustria en el condado de Champaign, Illinois, se reunió para explorar las oportunidades asociadas con dos tecnologías emergentes: la agricultura en un sitio específico y esa cosa extraña llamada Internet. Este grupo, llamado CCNetAg, fue parte de una iniciativa copatrocinada por la Cámara de Comercio local y el Centro Nacional de Aplicaciones de Supercomputación de la Universidad de Illinois. CCNetAg, una empresa voluntaria, proporcionó un vehículo para que agricultores, gerentes de agronegocios e investigadores universitarios exploraran conjuntamente la adopción de estas herramientas. La Figura 1 muestra sus expectativas de una agricultura de precisión en el futuro.
11052015_fig1.jpg
Aunque se creó hace algún tiempo, el gráfico sigue representando elementos clave de la agricultura de precisión:
• El papel de la georreferenciación está indicado por satélites que se conectan al campo de la granja.
• En el campo mismo, las operaciones agrícolas clave están siendo dirigidas y capturando información digital sobre:
Características del suelo,
Aplicación de nutrientes,
Plantando
Exploración de cultivos y
Cosecha.
• Las capas que subyacen al campo agrícola representan la noción de que el mapeo visual permitiría al agricultor, ya sus asesores, ver correlaciones significativas para informar decisiones futuras.
Desde 1997, las tecnologías han avanzado, aunque las categorías generales siguen siendo relevantes. Por ejemplo, las capacidades de dirección automática en maquinaria agrícola se han vuelto mucho más frecuentes. Y la medición activa y detallada del proceso de plantación (registrar dónde ocurren los «saltos») ahora es factible. Además, la capacidad de monitorear el estado de la maquinaria agrícola mientras opera ahora se combina con comunicaciones electrónicas para señalar cuando las operaciones de la máquina están fuera de los límites aceptables.
Si bien ha habido muchas publicaciones que describen la agricultura de precisión, los informes con evaluación independiente de la economía de la adopción son mucho menos numerosos. Un medio para evaluar si existen beneficios netos de una tecnología es monitorear su adopción en el mercado. Durante varios años, el Centro de Negocios Agrícolas y Alimentarios de la Universidad Purdue y la revista CropLife han encuestado a los proveedores de insumos agrícolas sobre la adopción de la agricultura de precisión. Centrado principalmente en las regiones del Medio Oeste y Sur, este trabajo es una evaluación particularmente útil de la aplicación de la tecnología. Del informe de 2015, las Figuras 2 y 3 proporcionan evidencia de adopción de prácticas clave de agricultura de precisión (Erickson y Widmar 2015).
11052015_fig2.jpg
Los distribuidores de insumos agrícolas que proporcionaron información para este estudio están en una posición privilegiada para comprender e informar sobre la adopción de estas tecnologías. Sus empresas proporcionan insumos (fertilizantes, pesticidas y semillas) y servicios a los productores que evalúan y adoptan la agricultura de precisión.
El interés inicial en la agricultura de precisión se centró en la aplicación de insumos en sitios específicos y en el uso de monitores de rendimiento. Como se muestra en la Figura 2, el muestreo en cuadrícula, una práctica asociada con la aplicación de fertilizantes y cal en un sitio específico, se emplea actualmente en aproximadamente 2 de cada 5 acres de cultivo. Se espera una mayor cobertura a la mayoría de acres para 2018. Se observan tasas de adopción similares (43% y 59%) para los monitores de rendimiento asistidos por GPS. Durante la última década, el uso de sistemas de guía GPS ha aumentado rápidamente, hasta un uso actual que se estima supera el 50%. Se espera un fuerte crecimiento continuo hasta 2018. El uso de imágenes satelitales y UAV como herramientas para apoyar la producción de cultivos es más reciente. El uso actual afecta el 18% y el 2% de la superficie, respectivamente. Interesante, se espera que la superficie cubierta por UAV aumente ocho veces, al 16%, en solo tres años.
La Figura 3 describe un patrón de adopción relativamente consistente para las prácticas de VRT (tecnología de tasa variable). A principios de la década de 2000, la adopción se realizó a niveles digitales únicos. Desde entonces, se han producido aumentos constantes en la extensión de la superficie cubierta. Sin embargo, la práctica más utilizada, la aplicación de cal, solo ahora está logrando cubrir el 41% de la superficie total. Estos patrones también son interesantes debido a los regímenes de precios muy diferentes que existieron para el maíz y la soja durante estos 15 años. Cuando los precios de producción eran bajos antes de 2008, el factor de adopción probablemente fue la reducción de costos. Posiblemente, el aumento de los rendimientos fue un factor más significativo en los últimos años cuando los precios eran más altos.
11052015_fig3.jpg
Vínculos con Big Data
La atención de los medios y el marketing a veces difumina las distinciones entre agricultura de precisión y Big Data. Algunas comunicaciones parecen sugerir que Big Data es solo una palabra de moda actualizada para las prácticas de agricultura de precisión.
Ese no es el caso. La figura 1 se puede utilizar para identificar diferencias clave:
• Si bien es una imagen útil, ese gráfico centra nuestra atención en el campo individual. La característica de volumen de Big Data requiere observaciones de muchos, muchos campos agrícolas para que sea efectiva. Discernir los efectos interrelacionados del tipo de suelo, varios nutrientes y la variedad de semillas requiere datos dispersos en el tiempo y el espacio.
• Si bien el agricultor tiene varios tipos de datos de precisión de cada campo, las fuentes adicionales de datos residen naturalmente y se originan más allá de la valla. Lograr la característica de variedad de Big Data requiere acceso a ese conjunto más amplio de información.
• La agricultura de precisión emplea comparaciones entre capas de mapas de campo como su método de análisis dominante. El efecto de un solo factor, como una línea de mosaico bloqueada o una cerca enterrada, a menudo se puede observar en un mapa. Sin embargo, la identificación de interacciones complejas entre varios factores de producción y varios años requiere herramientas mucho más sofisticadas. La analítica es una característica diferenciadora importante de Big Data.
• Como se señaló anteriormente, hemos tenido más de 20 años de experiencia en agricultura de precisión. Si pudiéramos contar toda la información digital recopilada de los monitores de rendimiento y las operaciones de entrada específicas del sitio, el total sin duda calificaría como BIG Data. Sin embargo, podríamos pensar en la legión de memorias USB, unidades de disco y computadoras de escritorio donde residen todos esos datos en la actualidad. Los análisis no pueden suceder a menos que / hasta que se pueda acceder y agregar esos datos. Este desafío organizacional se discutirá en el sexto artículo de esta serie.
Tanto la agricultura de precisión como el Big Data surgen del advenimiento y la aplicación de las tecnologías de la información y la comunicación. Sin embargo, no son sinónimos. Dicho esto, es difícil prever que los enfoques de Big Data tendrán un impacto significativo sin emplear los datos generados por las prácticas de agricultura de precisión con las que ahora nos hemos familiarizado.