La humanidad se enfrenta al gran desafío de cómo aumentar la producción agrícola para lograr la seguridad alimentaria durante el siglo XXI y alimentar a una población que se espera aumente a 10 mil millones de personas. Esto debe hacerse mientras se mantienen los sistemas agrícolas sostenibles y al mismo tiempo se enfrentan desafíos como un clima cambiante, el agotamiento de los recursos hídricos y el potencial de una mayor erosión y pérdida de productividad debido a la ocurrencia de eventos climáticos extremos. La agricultura de precisión surgió de los avances en la década de 1980 debido al desarrollo de varias tecnologías clave como el GPS y las imágenes satelitales. Este documento sostiene que con el impacto creciente del cambio climático, la próxima revolución en la agricultura de precisión y la agricultura en general será impulsada por la Agricultura y el Medio Ambiente Sostenibles de Precisión (SPAE, similar a las 7 R), que podrían aprovechar las tecnologías pasadas combinadas con el análisis de Big Data. Este nuevo SPAE, centrado en la tecnología, pasa de un enfoque de gestión específico del sitio a la noción de sostenibilidad global. Para lograr esta transición, introdujimos el marco WebGIS como un principio organizativo que conecta generadores de datos locales específicos del sitio llamados granjas inteligentes con una visión regional y global de la agricultura que puede apoyar tanto a la industria agrícola como a los legisladores en el gobierno. Esto ayudará a integrar bases de datos ubicadas en redes de redes en un sistema de sistemas para lograr la gestión de SPAE necesaria y conectar la sostenibilidad de campo, cuenca, nacional y mundial. Automatización y uso de inteligencia artificial (IA), internet de las cosas (IoT), drones, robots,
Introducción
El siglo XXI presenta desafíos formidables para la sostenibilidad que la humanidad deberá enfrentar. La necesidad de aumentar la producción agrícola para garantizar la seguridad alimentaria de una población mundial que se estima crecerá a 9-10 mil millones de personas en las próximas décadas mientras se enfrenta a un clima cambiante que amenaza la sostenibilidad ejercerá presión sobre los sistemas agrícolas. El Secretario General de las Naciones Unidas advirtió recientemente a la comunidad global que los cambios climáticos están ocurriendo a un ritmo más rápido de lo que la humanidad los está abordando y que la humanidad se verá afectada por el aumento del nivel del mar y el clima más extremo ( Naciones Unidas, 2018 ). Los informes recientes publicados por el Panel Intergubernamental de Expertos sobre el Cambio Climático de la ONU apoyan estas declaraciones ( Naciones Unidas, 2018). La mayor incidencia de fenómenos meteorológicos extremos aumentará el potencial de erosión en los sistemas agrícolas ( Pruski y Nearing, 2002 ; SWCS, 2003 ). Pruski y Nearing (2002) informaron que las tasas de erosión podrían aumentar en un 1,7% por cada 1% de aumento en la precipitación total debido al cambio climático. Sin prácticas de conservación, la humanidad no podrá adaptarse a un clima cambiante, ya que las prácticas de conservación serán herramientas clave para mantener y aumentar la productividad y sostenibilidad de los sistemas agrícolas ( Delgado et al., 2011 ; Walthall et al., 2012 ; Spiegal et al., 2012 ; Spiegal et al., 2012) . al., 2018). El análisis de big data también será una de las herramientas clave que contribuirá al desarrollo de sistemas sostenibles.
Se cree que la producción de cultivos debe aumentarse entre un 60% y un 100% para el año 2050 para satisfacer las necesidades nutricionales de una población humana futura de 9 000 a 10 000 millones. Se necesitan sistemas de producción de cultivos que produzcan más alimentos de mayor contenido nutricional, pero al mismo tiempo, deben tener un impacto menor en el medio ambiente. La intensificación agrícola durante el siglo XX se realizó mediante el uso sustancial de fertilizantes, pesticidas e irrigación, todo a un costo ambiental significativo. Estas tecnologías fueron parte de la Revolución Verde que ayudó a lograr la seguridad alimentaria para miles de millones de personas. Sin embargo, los desafíos del siglo XXI son diferentes y la conservación del suelo y el agua será clave para lograr la seguridad alimentaria. y la agricultura y el medio ambiente sostenibles de precisión (SPAE) serán necesarios para que la agricultura intensiva y un clima cambiante no generen impactos adicionales que puedan contribuir a acelerar el ritmo de un clima cambiante. Como parte de la agricultura sostenible, los sistemas de cultivo de próxima generación que combinan tecnologías de base biológica (microbios beneficiosos para las plantas, cultivos de cobertura) y la agricultura de precisión (AP) y la conservación de precisión (PC) deben desarrollarse para disminuir los fertilizantes, pesticidas y aportes de agua al tiempo que se aumenta la eficacia de la conservación para mantener la agricultura sostenible a nivel de campo y la sostenibilidad en una cuenca. Cultivares con contenido nutricional mejorado y tolerancia mejorada a abióticos (sequía, salinidad, calor, etc. ) y / o estreses bióticos (enfermedades) deben desarrollarse utilizando enfoques avanzados de reproducción y biotecnología. Estos cultivares mejorados sin duda alterarán el status quo del negocio agrícola.
Es fundamental para SPAE y el rápido desarrollo de estos sistemas de cultivo el uso de AP y PC en el desarrollo y uso de tecnología con la capacidad de administrar y difundir datos e información precisos en todos los niveles del ecosistema agrícola. PA ( Pierce y Nowak, 1999 ), PC ( Berry et al., 2003 , 2005 ; Delgado y Berry, 2008 ; Sassenrath y Delgado, 2018 ) ( Figura 1 ), y la agricultura sostenible “están indisolublemente vinculados” ( Berry et al. , 2003 , 2005 ; Bongiovanni y Lowenberg-DeBoer, 2004). La agricultura sostenible y el PC se enfocan en aumentar la efectividad de la conservación y enfatizan el impacto ambiental y la sostenibilidad, mientras que el AP a menudo se trata de ahorros de costos inmediatos en una ubicación específica al optimizar los rendimientos de los insumos. Este documento se centra en la sostenibilidad tanto a una escala de gestión específica del sitio como a una escala global. Por esa razón, el énfasis está en los sistemas de información y su capacidad para soportar una variedad de características de AP, PC y sostenibilidad global.
FIGURA 1
www.frontiersin.org
Figura 1 . El enfoque de sitio específico puede expandirse a un enfoque de escala tridimensional que evalúa las entradas y salidas de los campos a las cuencas hidrográficas y escalas regionales [Permiso otorgado por Soil Water Conservation Society para reimprimir desde la fuente: ( Berry et al., 2003 )].
Inherente tanto a la complejidad como a la precisión de SPAE está la necesidad de administrar datos espacialmente, que tradicionalmente ha sido el ámbito de los Sistemas de Información Geográfica (SIG)1 Por ejemplo, PA y PC usan datos geoespaciales y sensores para el rendimiento de los cultivos y cualquier otra variable medible para aplicar la dosis correcta de fertilizante, agua y pesticida; gestionar el drenaje y la escorrentía de agua; reducir el movimiento de agroquímicos; y utilizar las prácticas de gestión adecuadas en el campo y fuera del sitio ( Delgado et al., 2018a). Tanto el PA como el PC permiten al agricultor tratar el campo de producción como la superficie heterogénea que es (fertilidad, agua, patógenos de las plantas, pendiente, escorrentía superficial, drenaje, etc., que son muy variables a lo largo del campo) en lugar de como una superficie homogénea. superficie como se trató en el pasado. SPAE también maneja datos geoespaciales, pero sus relaciones espaciales pueden ser más abstractas desde el nivel del suelo hasta el nivel molecular para modelar sistemas biológicos más complejos. De hecho, Esri se refiere a este concepto como la “ciencia del dónde”, lo que implica que el SIG está evolucionando más allá del ámbito geoespacial tradicional de mapas, imágenes, etc. para modelar relaciones más complejas ( Dolan et al., 2006 ).
Con una mayor adopción de PA y PC por parte de los agricultores, vendrá un mayor desarrollo y comercialización de herramientas para PA y PC para acelerar la adopción de tecnología. En el mundo desarrollado principalmente, se desarrollarán sensores y sistemas avanzados que entreguen herramientas de apoyo a la toma de decisiones directamente al agricultor, lo que permitirá tomar decisiones en tiempo real sobre la entrega de la tasa adecuada de insumos (agua, fertilizantes, pesticidas) ( Fulton y Darr, 2018 ). mientras el agricultor conduce el tractor por el campo, implementa sistemas de drenaje ( Shedekar y Brown, 2018 ) y / o intenta simultáneamente conservar la vida silvestre ( McConnell y Burger, 2018 ).
La necesidad de AP y PC solo aumentará, ya que, por ejemplo, las pérdidas de nutrientes al medio ambiente impactan las aguas subterráneas y los recursos hídricos superficiales, como ha ocurrido con la zona hipóxica en el Golfo de México ( Goolsby et al., 2001 ; Rabalais et al. al., 2002a , b ) y la zona hipóxica y los niveles de microcistina en el lago Erie ( Smith et al., 2018 ). La Organización Mundial de la Salud (2011) ha informado que las concentraciones de microcistina por encima de 1,0 μg L -1 en el agua potable tratada no son seguras y no son saludables para el consumo humano y en los EE. UU., La EPA informa que para los niños menores de 6 años nivel es de 0,3 μg L − 1 ( Agencia de Protección Ambiental de los Estados Unidos, 2015). Los problemas del agua seguirán aumentando en muchas partes del mundo a corto plazo, especialmente si hay efectos heredados. Se deben desarrollar nuevos sistemas de cultivo con prácticas de manejo mejoradas que contribuyan a la sostenibilidad ambiental para minimizar los impactos negativos en el aire, el suelo y el agua. Además, se deben desarrollar cultivares avanzados que utilicen mejor los nutrientes del suelo y los recursos hídricos, sean más resistentes al estrés ambiental (temperaturas extremas, sequía, inundaciones, patógenos de plantas) y estén repletos de nutrientes que se encuentran deficientes en las poblaciones de los países en desarrollo. mundo ( Bouis y Saltzman, 2017). Todo esto debe hacerse muy rápidamente, ya que 30 años no es mucho tiempo cuando se trata de ciencia y adopción de tecnología científica. En otras palabras, SPAE, que tiene como objetivo preservar los servicios de los ecosistemas, debe trabajar con tecnologías y prácticas modernas rápidamente a través de la rápida transferencia de conocimiento del laboratorio agrícola al productor.
Durante las últimas décadas, la tecnología de la información (TI) ha sido la fuerza disruptiva en las industrias al eliminar las ineficiencias del mercado a través de la automatización y mejores herramientas de apoyo a la toma de decisiones que requieren la inclusión tanto de los ciudadanos como de los consumidores en el proceso. Como todas las industrias, la agricultura no ha sido inmune a las constantes interrupciones durante el siglo pasado (por ejemplo, la introducción del tractor, AP, PC y nuevos modelos de gobernanza para hacer frente a la inelasticidad de la demanda, etc.). Sin embargo, los avances recientes en infraestructura informática, tecnología de sensores, big data y algoritmos avanzados (por ejemplo, Deep Learning) sugieren que se avecina una gran interrupción o cambio de paradigma, lo que generará oportunidades para que SPAE ingrese a la corriente principal en un sistema inteligente y avanzado. para SPAE.
Eventualmente, se necesitará un sistema basado en estas nuevas tecnologías para la transferencia masiva de datos genómicos y otros datos genéticos para el desarrollo de estos cultivares avanzados, para el manejo de datos agronómicos y para el desarrollo de estos sistemas de producción de próxima generación. Los datos generados a partir de estos sistemas de cultivo son intrínsecamente geoespaciales en el sentido de que los tipos de cultivos y su resistencia ambiental obviamente varían regionalmente según la latitud. Los insumos de producción de cultivos agrícolas y la gestión de la conservación para lograr sistemas sostenibles pueden variar considerablemente en el espacio y el tiempo ( Pierce y Nowak, 1999 ; Berry et al., 2003 , 2005 ; Delgado y Berry, 2008 ; Gebbers y Adamchuk, 2010). Por lo tanto, el monitoreo del desempeño ambiental y de los cultivos dependerá en gran medida no solo de los métodos tradicionales de observación de la Tierra (EO), sino también de los datos generados in situ (es decir, la verdad del terreno).
Por lo tanto, las soluciones geoespaciales basadas en imágenes de EO a todas las escalas integradas con redes de sensores se volverán cada vez más críticas para el funcionamiento de los sistemas de megafonía donde los insumos de recursos se aplican en ubicaciones de campo geoespecíficas precisas según las necesidades del cultivo. Eventualmente se necesitarán soluciones para permitir la retroalimentación inmediata de las comunidades agrícolas digitales con respecto al desempeño de estos nuevos sistemas de cultivo; acelerar su desarrollo basándose en la retroalimentación inmediata a los laboratorios y otras partes interesadas. Para lograr esto, describimos un enfoque de “sistema de sistemas” para construir una red científica que integre las comunidades científica y agrícola, basada en una plataforma de TI global común (es decir, la nube).
Desafíos históricos en la adopción de tecnología agrícola para AP
Aunque PA existe desde la década de 1980, la adopción de la tecnología ha sido lenta. Schimmelphfenning (2016) informa que la tecnología de AP, por ejemplo, se utilizó en aproximadamente el 30-50% de los acres de maíz y soja de EE. UU. En 2012. Van der Wal (2019) sugiere que la razón de la mala adopción se debe a la “creciente complejidad de adopción en el uso de tecnología de la información ”y el hecho de que“ los ingresos agrícolas son generalmente bajos y las generaciones jóvenes buscan su prosperidad en las ciudades ”, lo que implica que aquellos con destreza técnica se dirigen a las ciudades en busca de trabajos de alta tecnología que pagan mejor. La AP también tiende a ser costosa ( Shama, 2017 ), lo que se refleja en el hecho de que se implementa principalmente en granjas más grandes ( Schimmelphfenning, 2016).) que puede permitirse la tecnología compleja y cambiante. Sin embargo, los agricultores de África subsahariana han implementado enfoques de conservación de precisión / agricultura de precisión de baja tecnología, lo que ha contribuido a mejorar los rendimientos, los ingresos y la conservación ( Jenrich, 2011 ). Existen numerosas razones para las bajas tasas de adopción y las siguientes secciones ofrecen varias explicaciones comunes. Sin embargo, existen oportunidades para aprovechar las tendencias tecnológicas existentes.
Adopción deficiente de herramientas de apoyo a la toma de decisiones
Si bien el sector agrícola tiene una larga tradición de depender de las mejores prácticas arraigadas en la ciencia, la industria no siempre ha sido una de las primeras en adoptar herramientas de apoyo a la toma de decisiones o servicios de extensión que resultaron en acelerar la adopción de nuevas prácticas agrícolas de precisión ( Rose et al ., 2016 ). Ribaudo et al. (2011a) informó en un estudio nacional que el 65 por ciento de las tierras de cultivo estudiadas (109 millones de acres) necesitaban las mejores prácticas para el manejo del nitrógeno. Hay varias razones para una adopción limitada, incluida la cultura en la comunidad de productores, las habilidades, los procesos actuales de gestión de la información, etc. Quizás la razón más importante, hasta hace poco, han sido las limitaciones tanto de las tecnologías como de los modelos de sistemas agrícolas utilizados para apoyar la AP, y mucho menos PC y SPAE (Antle et al., 2017 ). Específicamente, Antle et al. (2017) afirma que “muchos avances en la tecnología de datos, información y comunicación de la última década no se han explotado completamente … [debido a] la subinversión en investigación agrícola, particularmente en investigación de bienes públicos no patentados, y en investigación con el objetivo de mejorar el bienestar de los hogares pobres de pequeños agricultores en el mundo en desarrollo «. Si bien las técnicas de diseño centradas en el usuario en la industria de TI mejorarán la adopción, existe un área activa de investigación para comprender de manera más cuantitativa la adopción positiva de nuevas prácticas ( Kuehne et al., 2017 ).
Dicho esto, los desafíos de la adopción de tecnología en la industria de la TI son bien comprendidos y señalados por Moore (1991), quien analiza la difusión de la innovación a través de grupos de tecnólogos, adoptadores pioneros que ven las posibilidades de la innovación, pragmáticos que se resisten al cambio hasta que se obtiene un beneficio económico. definidos, la mayoría tardía de adoptantes que requieren bajo riesgo y alta confiabilidad, y los rezagados. Al utilizar mensajes dirigidos, el éxito de Silicon Valley y otros centros tecnológicos durante las últimas décadas en la disrupción de los mercados a menudo se atribuye al modelo citado en Moore (1991) , que irónicamente tenía sus raíces en el estudio de la adopción de prácticas agrícolas ( Beal y Bohlen , 1957 ).
Limitaciones de los datos de observación de la Tierra en la agricultura
Desde un punto de vista práctico, estas limitaciones técnicas históricas en el pasado han variado desde la falta de estándares, sistemas no escalables, el costo de los sensores y el apoyo limitado de los gobiernos en torno al uso de EO en la agricultura o datos de detección remota que se enfocan en el clima. cambiar las observaciones en contraposición a la agricultura. Aunque hubo una adopción temprana en la agricultura en los EE. UU. A través de programas como AgRISTARS y LACIE en las décadas de 1970/80 ( Pinter et al., 2003 ), la serie Landsat, por ejemplo, se centró principalmente en una resolución espacial moderada (es decir, 30 × 30 m ), que si bien es bueno para el monitoreo de cultivos a nivel macro, fue demasiado natural para la AP. Luccio (2014)sugiere que “… las decisiones de manejo de la finca, como la detección y el manejo de malezas, requieren imágenes con una resolución espacial del orden de centímetros y, para situaciones emergentes (como para monitorear el estrés nutricional y las enfermedades), una resolución temporal de <24 h. "
Del mismo modo, estos satélites de resolución moderada, que fueron diseñados principalmente para responder preguntas científicas, no siempre se han centrado en las bandas espectrales adecuadas (por ejemplo, la banda del borde rojo) para la agricultura o la frecuencia de adquisición de datos para facilitar el seguimiento del crecimiento de los cultivos durante la temporada de crecimiento. Sin embargo, debido a la cobertura global, estas redes satelitales han sido reconocidas como las generadoras originales de big data y representaron un compromiso o compensación entre la resolución espacial y la capacidad de almacenamiento. En los últimos años, los satélites comerciales, como los de DigitalGlobe, que sirven a una variedad de mercados más allá de la agricultura, han prometido llenar los vacíos generados por las plataformas patrocinadas por el público. Sin embargo, el costo y la complejidad del uso de estos datos han sido factores limitantes a nivel de productor para todas las operaciones agrícolas, excepto las grandes, que pueden justificar los costos de los datos. Como resultado, gran parte del uso de datos de teledetección provino en el pasado de plataformas aéreas y ahora de drones que llevan pequeños sensores enfocados en observaciones frecuentes durante la temporada de crecimiento. Aunque en un área de cobertura limitada, el costo de entrada puede considerarse alto para las operaciones de granjas más pequeñas en los EE. UU. Y, especialmente en el mundo en desarrollo, lo que crea un problema logístico de intercambio de datos y sensores.
Infraestructura de comunicación deficiente
Además de la dificultad que surge de una variedad de datos de teledetección de múltiples sensores, la falta de una red troncal integral para la transmisión de datos de gran ancho de banda a áreas agrícolas remotas ha limitado la capacidad de intercambio de datos entre la granja y el valor agregado. servicios. En los Estados Unidos, la adopción de banda ancha promete resolver este problema con ancho de banda a nivel de megabytes, pero las operaciones de pequeñas granjas en países de bajos ingresos tendrán que depender de arquitecturas alternativas que utilizan redes de sensores locales. Tyler y Griffin (2016) argumentan que "La realización del valor de 'Big Data' no sucederá hasta que se supere la barrera [del ancho de banda de transferencia de datos]". En la superficie, PA parece no ser un gran generador de datos para cargar. Tyler y Griffin (2016)sugiere lo contrario solo para el maíz, donde por cada planta que genera 0.5 k bytes, los 88.9 millones de acres en 2015 generarían 1.3 petabytes de datos, sin incluir el notorio generador de big data de drones aéreos. Claramente se necesitará ancho de banda de carga.
Gestión de datos en silos
Dada la variedad de datos y las limitaciones del ancho de banda en muchas comunidades agrícolas, no es sorprendente que la gestión de datos también haya sido un problema. Primero, las plataformas públicas de teledetección, cuyas capacidades de generación de datos han llevado a archivos de datos en el exabyte (es decir, 1018 bytes) y niveles superiores, han llevado al sector público a invertir en grandes sistemas de datos para servir a una amplia variedad científica. comunidad. Estos sistemas, aunque son buenos para difundir datos, aún requieren un conocimiento extenso y complejo de una variedad de satélites y sensores, formatos de archivo, estándares de metadatos, física, etc. ( Blumenfeld, 2019 ). En resumen, todavía se requiere una experiencia considerable para obtener beneficios agrícolas significativos de estos sistemas.
En segundo lugar, los sistemas de datos comerciales basados en satélites, aéreos y drones, si bien son algo más fáciles de usar, todavía están fragmentados debido a intereses en competencia. Al final, la variedad de formatos de datos, la velocidad de los datos que provienen de una variedad de plataformas y el volumen de datos generados han llevado a una infraestructura de administración de datos fragmentada y aislada para la agricultura. En otras palabras, este es un problema de Big Data, que se define formalmente como una combinación de una variedad de datos, la velocidad de los datos y / o el volumen de datos.
Dada la naturaleza inherentemente espacial de la agricultura y los datos de teledetección, el SIG ofreció la oportunidad de minimizar los silos de datos al proporcionar un contexto espacial (es decir, mapas) alrededor de los datos. Esto ha dado lugar a una proliferación de sistemas GIS que abarcan áreas temáticas mucho más allá de los datos de teledetección, pero ha dado lugar a silos adicionales de información geoespacial.
Aplicaciones inmaduras de análisis e inteligencia artificial
Si bien los silos de datos no son intrínsecamente un problema per se , las técnicas que incluyen las de análisis, inteligencia artificial y aprendizaje automático requieren que los datos sean fácilmente accesibles, coherentes y consistentes antes de que estos algoritmos puedan proporcionar algún valor. Ciertamente, las soluciones de primera generación como la red mundial y los almacenes de datos han recorrido un largo camino para conectar estos silos de datos, pero no lograron abordar la capacidad computacional necesaria para las técnicas analíticas. Estos desafíos hicieron que fuera difícil aplicar técnicas analíticas de manera integral, como la previsión de rendimiento y todas las otras técnicas avanzadas probadas en la literatura científica.
El problema se agrava aún más cuando se consideran SPAE y modelado. En PA, las aplicaciones se centran en la conexión de las entradas a las necesidades para determinar la acción en función de un área espacial. Es decir, si bien hay algunos modelos en marcha, es relativamente simple en el sentido de que un mapa de precisión muestra exactamente dónde aplicar el fertilizante, el agua, etc. SA, que pone énfasis en interacciones complejas entre sistemas biológicos, tiende a tener modelos más complejos que son elaborados cuidadosamente por el campo científico. Considere el modelo de desnitrificación y descomposición (DNDC) utilizado en la simulación de biogeoquímica de carbono y nitrógeno a través de interacciones complejas de suelo, crecimiento / descomposición de cultivos, etc. para predecir, entre otras cosas, la lixiviación de nitratos y las emisiones de gases de efecto invernadero C / N ( Salas, 2010 ;Universidad de New Hampshire, 2012 ). Si bien los esfuerzos iniciales de AP pueden no estar tan centrados en evaluar las emisiones de efecto invernadero de la agricultura, este modelo o técnica analítica más complicada es un ejemplo de uno que podría contribuir a lograr los objetivos de SPAE y, como tal, requiere una fuente sólida de “bases de datos regionales … Para mapear y potencialmente monitorear las prácticas de gestión… para el cumplimiento, verificación o seguimiento de la sostenibilidad ”( Salas, 2010 ).
Otro ejemplo reciente es la herramienta web del sistema COMET-Farm desarrollada por Paustian et al. (2018) para realizar evaluaciones completas de gases de efecto invernadero para CO 2 , CH 4 y N 2 O de todas las principales fuentes de emisiones en las fincas, así como evaluaciones de la captura de carbono del suelo. Esta herramienta basada en la web puede evaluar las emisiones de GEI de cultivos perennes, pastos, pastizales y sistemas agroforestales, así como las emisiones del ganado y el uso de energía en la granja ( Paustian et al., 2018 ). Esta herramienta se puede utilizar para evaluar las prácticas de PC. El usuario puede cargar un mapa de suelo personalizado que puede especificar unidades de mapa de subcampo, lo que permite al usuario definir zonas de gestión espacialmente explícitas ( Paustian et al., 2018). Se podría agregar una aplicación en el futuro para evaluar los efectos de AP y PC en las emisiones de GEI ( Paustian et al., 2018 ). Saleh y Osei (2018) informaron que la Herramienta de optimización ambiental económica integral (CEEOT) y la Herramienta de seguimiento de nutrientes (NTT), más fácil de usar, se pueden utilizar a nivel de cuenca para evaluar las prácticas óptimas de conservación, utilizando un enfoque de PC para maximizar la Benefíciese de cada dólar de inversión en prácticas de conservación. Informaron que mediante el uso de distribuciones espaciales de los atributos de campo como el tipo de suelo, la topografía y las propiedades físicas y químicas del suelo, el PC se puede aplicar para reducir la incertidumbre de dónde aplicar una práctica determinada para aumentar la efectividad de la conservación y, por lo tanto, la sostenibilidad ( Saleh y Osei , 2018 ).
Las bases de datos regionales son igualmente críticas para crear algoritmos precisos de aprendizaje automático. En el mundo geoespacial, las primeras aplicaciones de la IA se centraron en la clasificación de imágenes como Landsat ( Campbell et al., 1989 ), que dio lugar a aplicaciones principalmente en torno al pronóstico macroeconómico de cultivos, como lo hace el Departamento de Agricultura de los Estados Unidos (USDA) National Servicio de Estadísticas Agrarias. Figura 2ilustra el problema a través de las clasificaciones de tierras de cultivo (amarillo), bosque (verde) y carreteras (gris) en la imagen de la izquierda, donde incluso una inspección casual muestra una clasificación errónea de toda la finca en el polígono. Cuando se toman a nivel nacional o mundial, estas tasas de error de clasificación bien pueden estar dentro de las tolerancias estadísticas para problemas macroeconómicos, pero claramente fertilizar la carretera o los edificios agrícolas no sería aceptable en la imagen de la izquierda. La imagen de la derecha en datos de mayor resolución (NAIP) de un uso reciente del aprendizaje automático en la nube muestra una clasificación drásticamente mejorada ( Tayyebi, 2019 ) debido no solo a datos de mayor resolución espacial sino también a una capacidad computacional significativa en el entorno de nube actual.
FIGURA 2
www.frontiersin.org
Figura 2 . Clasificación aproximada (izquierda) frente a métodos recientes de clasificación de IA (derecha) ( Tayyebi, 2019 ).
En cualquier caso, Campbell et al. (1994) y Short et al. (1995) reconocieron temprano que las bases de datos regionales debían desarrollarse como un mecanismo para proporcionar datos de capacitación a algoritmos de aprendizaje automático, que capturan el conocimiento local de diferentes individuos u organizaciones (por ejemplo, agricultores). En otras palabras, estas técnicas de clasificación se basan en gran medida en el aprendizaje supervisado donde se presentan a los algoritmos conjuntos de datos de entrenamiento que consisten en etiquetas de clasificación conocidas asociadas con propiedades espectrales (es decir, firma espectral), que generalizan o aprenden.
En la década de 1990, la NASA reconoció la necesidad de desarrollar una red de centros de procesamiento de satélites distribuidos de extremo a extremo, llamados Centros de Aplicaciones Regionales, para aprovechar el conocimiento local en la construcción de conjuntos de datos de capacitación para implementaciones de aprendizaje automático localizadas. Implementada en todo el mundo en países sin interconectividad en ese momento (es decir, Internet), la NASA implementó tecnología de bajo costo y alto rendimiento para adquirir datos directamente de los satélites con capacidad de transmisión directa y realizar todas las rutinas de procesamiento necesarias, incluido el aprendizaje automático. , con el fin de producir productos de información espacial no solo para la NASA sino también para los gobiernos locales e internacionales ( Campbell et al., 1994 ; Davis et al., 1994 ; Short y Dickens, 1995). Debido a que las áreas de la misión iban desde pronósticos de huracanes hasta aplicaciones tempranas de AP, la red de centros de datos regionales demostró una coexistencia entre los objetivos científicos y la efectividad de la misión operativa que resultó, por ejemplo, en una “alerta temprana [que] permitió el movimiento de más de 200,000 personas [en Bangladesh] a mayor altitud, evitando así ciertos ahogamientos debido a las inundaciones ”( Campbell et al., 1994 ).
El cambio de paradigma: agricultura digital
La investigación y la industria podrían resolver muchos de estos problemas dada la naturaleza inherente de la PA como una solución comercial simple para minimizar los costos de entrada a través de la gestión de big data para maximizar el rendimiento y las ganancias en una industria basada en productos básicos. En un artículo reciente de Bloomberg ( Noel, 2019 ) se argumenta que empresas como Bayer pueden adquirir datos de la granja, procesarlos con análisis y venderlos a los productores. Con los avances en la nube, donde la potencia computacional y el almacenamiento son relativamente económicos, las empresas probablemente pasarán a una nueva era de venta de productos de información al fusionar muchas de las fuentes de datos antes mencionadas, reduciendo así los silos y la complejidad del conocimiento al operar la variedad de generadores de datos.
Sin embargo, SPAE es diferente debido a su enfoque en técnicas más amigables con el medio ambiente y su dependencia de prácticas agrícolas naturales que requieren un nivel de complejidad más allá de las simples optimizaciones de insumos / resultados. No solo las técnicas se entienden menos científicamente, sino que las posibles mejoras en el rendimiento pueden no generar los beneficios económicos necesarios para justificar el aumento de la complejidad y los costos a corto plazo, como la complejidad analítica antes mencionada solo para SPAE. Dicho esto, los avances recientes en PC para aumentar SPAE han demostrado que existe la posibilidad de obtener ganancias rápidas cuando las prácticas de conservación utilizan estas nuevas tecnologías. Por ejemplo, Thompson y Sudduth (2018)informó que el uso de herramientas de AP ofrece una ventaja tanto en el diseño como en la utilización de enfoques de agricultura de contorno y terrazas para la gestión de la conservación al reducir el tiempo de disposición de la terraza en un 50%, lo que contribuye a ahorrar tiempo y dinero. Thompson y Sudduth (2018) también informaron que el uso de PA contribuirá a la sostenibilidad económica de estos sistemas mediante el uso de máquinas de campo que utilizan la guía GPS y el control automático de filas o secciones.
También pueden ser posibles nuevas oportunidades si se desarrollan mercados de ecosistemas donde el nitrógeno, el carbono o incluso la reducción de GEI se pueden comercializar en los sistemas de mercado, proporcionando ingresos adicionales a los agricultores debido a la implementación de prácticas de conservación ( Ribaudo et al., 2005 , 2011a , b ; Delgado et al., 2008 , 2010 ; Paustian et al., 2018 ; Saleh y Osei, 2018 ). Paustian y col. (2018)informó que la mitigación de GEI, el almacenamiento de carbono y la filtración de agua, por ejemplo, podrían potencialmente apreciarse y monetizarse, pero luego traerá mayor complejidad a la toma de decisiones y las opciones de gestión de los agricultores y ganaderos; también requerirá herramientas y tecnologías que antes no estaban disponibles para los productores agrícolas. Delgado y col. (2008 , 2010 ) informaron que una herramienta de comercio de nitrógeno GIS podría potencialmente evaluar los efectos espaciales de la implementación de prácticas de conservación sobre las reducciones en la lixiviación de nitratos y las emisiones directas e indirectas de GEI que podrían comercializarse en los mercados de calidad del aire y el agua. Saleh y Osei (2018)informó que podríamos usar herramientas espaciales para evaluar los efectos de las prácticas de conservación y cómo el PC podría usarse para generar créditos para los mercados de calidad del agua y para especificar, por ejemplo, si los créditos serán para la reducción de la carga de sedimentos o la reducción de nitrógeno o fósforo. Saleh y Osei (2018) informaron que al usar PC habrá una reducción en los ajustes de crédito de “margen de seguridad” necesarios para los intercambios de calidad del agua, mejorando las opciones de comercio de calidad del agua para los agricultores. Como se sugiere en Campbell et al. (1994)En torno a las técnicas de IA distribuida para sistemas cooperativos automatizados, proponemos que mediante el uso de IA y el nuevo enfoque y tecnología de SPAE, habrá mayores oportunidades para hacer que SPAE genere ingresos en estos sistemas comerciales para agricultores y ganaderos, y aumente el campo, la cuenca, el ámbito nacional y conservación global.
El resto de este artículo sostiene que el análisis de big data es el núcleo de la combinación de precisión y sostenibilidad en una noción anterior de agricultura sostenible ( Berry et al., 2003 , 2005 ; Bongiovanni y Lowenberg-DeBoer, 2004 ; Delgado y Berry, 2008 ) . Berry y col. (2003) informaron que se necesitará una conservación de precisión para mantener la productividad de los sistemas agrícolas intensivos y la sostenibilidad global. Berry y col. (2003)también informó que la conservación de precisión tiene el potencial de integrar prácticas de conservación a nivel de campo específico del sitio con prácticas de conservación fuera del sitio, lo que contribuiría a la sostenibilidad de la cuenca. Para respaldar este argumento, nos centraremos tanto en la gestión agrícola como en un marco de geoinformática en la nube como un paso hacia la sostenibilidad agrícola global.
Parte del concepto de AP para aumentar la eficiencia de los fertilizantes ha sido el uso de un enfoque de las 4 R para reducir las pérdidas de nutrientes de los sistemas agrícolas (el producto correcto , en la proporción correcta , en el momento correcto y en el lugar correcto ( Roberts, 2007 ). Sin embargo, Delgado (2016) informó que las 4 R no son suficientes y dio ejemplos donde podrían ocurrir pérdidas significativas de nutrientes y suelo sin una conservación de precisión ( Figura 3 ). El concepto de sostenibilidad agrícola utilizando un enfoque de conservación de precisión en la agricultura presentó por Berry et al. (2003)contribuirá a reducir los impactos fuera del sitio en una cuenca mediante el uso de estas nuevas tecnologías para mejorar el diseño de las prácticas de conservación y aumentar la eficiencia de las prácticas de conservación, como amortiguadores de campo, trampas de sedimentos, trampas de desnitrificación y amortiguadores ribereños para minimizar las pérdidas de nutrientes desde el campo y al otro lado de una cuenca. Cox (2005) informó que Berry et al. (2003) El concepto de PC también podría describirse utilizando un enfoque de las 4 R, aplicando la práctica de conservación correcta , en el lugar correcto , en el momento adecuado y en la escala correcta (las 4 R de la conservación). Delgado (2016)combinó estas 4 R de la agricultura de precisión con las 4 R de la conservación de precisión para crear las 7 R para la gestión y conservación de nutrientes, que son aplicar el producto correcto (1), la dosis correcta (2) y el método correcto de aplicación de fertilizantes (3 ), la práctica de conservación correcta (4) colocada en el lugar correcto (5) y la escala correcta (6), con el momento adecuado de aplicación del fertilizante y establecimiento de la práctica de conservación (7). Proponemos que podríamos utilizar nuevos análisis de Big Data para combinar la agricultura de precisión y la conservación de precisión ( Berry et al., 2003 , 2005 ;Bongiovanni y Lowenberg-DeBoer, 2004 ; Delgado y Berry, 2008 ) para lograr SPAE. Esto es similar al enfoque de las 7 Rs descrito por Delgado (2016) y Sassenrath y Delgado (2018) .
FIGURA 3
www.frontiersin.org
Figura 3 . Lugares (A, B) donde las 4 R por sí solas no reducirían el transporte de nutrientes fuera del sitio y un enfoque de 7 R contribuiría a reducir el transporte de nutrientes fuera del sitio (Imágenes de NRCS que muestran el desarrollo de cárcavas efímeras).
Gestión agrícola moderna
Con el surgimiento de la viabilidad comercial de la AP en las últimas décadas, el agricultor del mundo desarrollado de hoy está pasando de ser un productor y distribuidor de productos a un científico de datos moderno que debe utilizar técnicas analíticas para recopilar los datos correctos en el momento adecuado, pero también aplique productos de información avanzada para aumentar el rendimiento. Actuando en el papel de uno de los primeros en adoptar la tecnología ( Moore, 1991), el agricultor de hoy tendrá que aprender rápidamente cómo se pueden utilizar estas nuevas tecnologías para ayudar a tomar decisiones sobre cómo aumentar las ganancias aumentando los rendimientos o implementando prácticas de conservación y gestión de precisión que podrían producir beneficios de sostenibilidad que podrían potencialmente comercializarse en los mercados de servicios de los ecosistemas. El uso de esta nueva tecnología para SPAE estará dominado en el futuro por técnicas analíticas e IA para ayudar a brindar soluciones a problemas y decisiones complejos.
El agricultor de "mayoría temprana" de hoy es cada vez más consciente del papel de las externalidades de costos en lo que respecta a los costos de los insumos y actuará como puente con la comunidad de tecnología de adopción temprana. Por ejemplo, si se trata de granjas orgánicas que deben lidiar con la contaminación de especies cruzadas de granjas vecinas o el aumento de las externalidades de las prácticas de gestión que contribuyen a las emisiones de GEI o pérdidas de agroquímicos que podrían afectar la calidad del agua, o los impactos del clima en la erosión y la pérdida de productividad, la agricultura debe lidiar cada vez más con factores a largo plazo que pueden no aparecer inmediatamente en un aumento de los beneficios del rendimiento, pero que contribuirán a reducir los rendimientos si no se controlan. El uso de la conservación de precisión para aumentar la sostenibilidad de los sistemas agrícolas contribuirá a la adaptación a un clima cambiante y al mantenimiento de la productividad a largo plazo. En otras palabras, la sostenibilidad en la agricultura se está convirtiendo cada vez más en un componente necesario de las prácticas agrícolas actuales. Organizaciones como el Servicio de Conservación de Recursos Naturales (NRCS) del USDA saben desde hace mucho tiempo que los programas de conservación son métodos para eliminar la carga de costos de las externalidades, pero con la disminución de los presupuestos del sector público, esto se vuelve más difícil a medida que aumentan los costos externos.
El manejo de nutrientes a nivel de granja es muy importante ya que las pérdidas de nitrógeno reactivo a este nivel impactan significativamente el medio ambiente a través de emisiones de óxido nitroso, emisiones de amoníaco, pérdidas por lixiviación de nitratos y transporte fuera del sitio de pérdidas de nitrógeno en la superficie ( Smith et al., 1997 ; Agencia de Protección Ambiental de EE . UU., 2010 ). Las pérdidas de nitrógeno impactan significativamente los recursos terrestres, los cuerpos de agua y la atmósfera ( Hutchinson et al., 1982 ; Legg y Meisinger, 1982 ; Cowling et al., 2002 ; Rabalais et al., 2002a , b ; Galloway et al., 2008 ; Dubrovsky et al., 2010). Se ha documentado que estas pérdidas contribuyen a impactos significativos como impactos en la composición de especies y el funcionamiento de ecosistemas terrestres, de agua dulce y marinos, entre otros ( Matson et al., 1997 ; Vitousek et al., 1997 ). El nitrógeno reactivo también podría afectar negativamente a la salud humana ( Follett et al., 2010 ). Además de los impactos ambientales significativos, estas pérdidas también pueden tener impactos económicos negativos. Ribaudo et al. (2011a) informaron que el costo de eliminar la contribución de la agricultura a las cargas de nitrato en el agua potable en los EE. UU. Es de aproximadamente $ 1.7 mil millones por año.
Afortunadamente, organizaciones como el NRCS del USDA y los consultores privados han aumentado el uso de estas nuevas tecnologías que contribuyen a la implementación de prácticas de conservación en el terreno para lograr una conservación de precisión. La conservación de precisión está siendo adoptada cada vez más por agencias como NRCS y el sector privado en un nuevo enfoque revolucionario que está aumentando la efectividad de la conservación ( USDA-NRCS, 2017 ). Algunos de los programas voluntarios de conservación del USDA ARS, como el Programa de Incentivos de Calidad Ambiental (EQIP), se pueden utilizar para implementar la conservación de precisión (USDA-NRCS, USDA-NRCS). Hay varios ejemplos de implementación de conservación de precisión por parte del sector privado y organizaciones sin fines de lucro para aumentar la sostenibilidad ( Buman, 2016a , b; Hammes, 2016 ; Grupo de Tecnología Científica Heartland, 2017 ; Chesapeake Conservancy, 2018 ; Asociación de Agricultura Sostenible de Illinois, 2018 ).
Se está produciendo una revolución en el panorama agrícola, lo que hace posible trasladar la ciencia agrícola desde las instalaciones de investigación in situ directamente a la granja. Los agricultores ya no son receptores pasivos de información, sino que participan activamente en la ciencia y el desarrollo de nuevos sistemas de producción de cultivos que pueden tener un rendimiento neutral o posiblemente mejorar el rendimiento. A largo plazo, este cambio de paradigma podría reducir la necesidad de subsidios públicos para costos externos, ya que serían un subproducto automático de las mejores prácticas agrícolas.
Como se sugiere en Wolfert et al. (2017) ( Figura 4 ), la clave de la granja moderna es la aplicación de big data al desarrollo de una granja inteligente y a la conservación inteligente del suelo y el agua ( Sassenrath y Delgado, 2018 ). La granja inteligente y los marcos conceptuales de conservación inteligente del suelo y el agua se centran en el ciclo de gestión ciberfísico construido alrededor de una infraestructura basada en la nube que gestiona todas las operaciones de la granja. Cuando el ancho de banda es suficiente (es decir, debido a la banda ancha rural), el agricultor opera como un recolector de datos que transmite a la nube técnicas analíticas basadas en el espacio que le dicen al agricultor qué hacer y cuándo se basan en observar las macrovariables en toda la finca. paisaje (por ejemplo, predicción de datos meteorológicos).
FIGURA 4
www.frontiersin.org
Figura 4 . El marco conceptual de la granja inteligente ( Wolfert et al., 2017 ). © Los Autores. Publicado por Elsevier Ltd. Este es un artículo de acceso abierto bajo la licencia CC BY-NC-ND ( http://creativecommons.org/licenses/by-nc-nd/4.0/ ).
Para la agricultura en el mundo desarrollado, los vehículos aéreos no tripulados (UAV) y los vehículos terrestres no tripulados (UGV) armados con sensores hiperespectrales y de otro tipo generan cantidades significativas de datos que pueden procesarse de forma remota, lo que permite una variedad de técnicas analíticas avanzadas que pueden impulsar la Aplicación de entradas de forma automática. Las técnicas de visión por computadora se utilizan cada vez más en aplicaciones como detección de malezas versus detección de cultivos ( Lin et al., 2017 ), plantación, riego, poda, cosecha y detección / identificación de enfermedades de las plantas ( Ampatzidis et al., 2017 ), lo que lleva a la potencial para una mayor automatización y minimización de los costos de mano de obra.
Donde el ancho de banda es limitado, especialmente en el mundo en desarrollo, la computación debe llevarse al límite donde los productos de información se producen in situ y solo se intercambian productos de información de pequeño volumen de datos entre la nube y el agricultor, si es que lo hacen. Este "paradigma de computación distribuida ...", conocido como computación de borde, acerca el almacenamiento de datos informáticos al lugar donde se necesita (Edge Wiki).2 y es posible que se produzcan caídas drásticas en el precio / rendimiento del hardware. En el contexto de la agricultura, esto significa que los algoritmos de aprendizaje automático que se desarrollan en la nube se pueden llevar al límite para las operaciones agrícolas.
Un poderoso ejemplo de este modelo se puede encontrar en el programa FarmBeats de Microsoft ( Vasisht et al., 2017 ). En lugar de esperar a que los gobiernos o la industria privada inviertan en programas de conectividad como la banda ancha rural, FarmBeats se aprovecha de los espacios en blanco de la televisión3 , que son frecuencias asignadas al servicio de radiodifusión pero que no se utilizan localmente, especialmente en las zonas rurales. FarmBeats despliega una matriz de sensores de campo para recopilar variables (por ejemplo, la humedad del suelo) donde el aprendizaje automático se utiliza para imputar o predecir puntos de datos de los nodos de sensores y breves sobrevuelos desde UAV. Al basarse en hardware económico y confiable, FarmBeats aborda la necesidad del mercado de la “mayoría tardía” de simplicidad y bajo riesgo, lo que facilita la adopción de tecnología ( Moore, 1991 ). Como resultado, FarmBeats ya se ha implementado internacionalmente en países como India, Nueva Zelanda y Kenia, lo que resultó en una reducción del 30% en el consumo de agua ( Sims, 2019 ).
Según las tendencias en las operaciones y la gestión de las granjas, las granjas se están convirtiendo en el nuevo generador de Big Data que complementa gran parte de los datos de EO que se han recopilado hasta la fecha. Con estos avances arquitectónicos en la gestión de granjas, la granja moderna puede parecerse a la noción de "gemelos digitales", que es la confluencia de IoT, IA y big data. [Wiki de gemelos digitales]4 define un gemelo digital como "una réplica digital de una entidad física viva o no viviente" que se utiliza "para crear modelos de simulación digital viviente que se actualizan y cambian a medida que cambian sus contrapartes físicas". En términos de agricultura y gestión agrícola, los gemelos digitales significan que “las operaciones agrícolas ya no requerirían proximidad física, lo que permite el monitoreo, control y coordinación remotos de las operaciones agrícolas” ( Verdouw y Kruize, 2015 ). Desde una perspectiva de SPAE, los modelos de simulación como los modelos DNDC, COMET-Farm, CEEOT y / o NTT mencionados anteriormente se encuentran entre algunas de las herramientas disponibles que podrían usarse para formar la base para asegurar el menor impacto en el medio ambiente sin aumentar los costos. .
Un marco de geoinformática de agricultura sostenible
Independientemente de los enfoques, es evidente que las granjas de hoy se están convirtiendo rápidamente en generadores de datos que, cuando se unen espacialmente, brindan una vista de mayor resolución de la industria agrícola, que en última instancia proporcionará una vista más precisa no solo de la seguridad alimentaria global sino de la sostenibilidad ambiental general. Actualmente, los gobiernos tienen que depender en gran medida de los datos de EO para estimar el rendimiento de los cultivos en lo que respecta a la seguridad alimentaria y las predicciones del mercado, que es un indicador indirecto de sostenibilidad más desde una perspectiva económica que ambiental. Este ha sido ciertamente el objetivo del Sistema Global de Evaluación Agrícola y de Desastres (GADAS) del USDA, que utiliza imágenes satelitales “para ayudar en… estimaciones agrícolas de las condiciones globales de los cultivos” ( Frantz, nd ).
GADAS representa un sistema de primera generación que potencialmente forma la base para una asociación público / privada más amplia para conectar generadores de datos agrícolas a un marco interconectado para la sostenibilidad. O es decir, reúne una variedad de datos espaciales a través de un SIG para ilustrar los impactos del clima, el agua, las condiciones de los cultivos, el uso de la tierra, etc. para brindar una evaluación global de la agricultura ( Figura 5). De hecho, el gobierno federal de Estados Unidos está comenzando a reconocer la necesidad de gobernar los datos geoespaciales desde un punto de vista integral. A través de la Ley de Datos Geoespaciales (GDA), la intención de la ley es “coordinar y trabajar en asociación con otras agencias federales, agencias de gobiernos estatales, tribales y locales, instituciones de educación superior y el sector privado para -Recopilar, integrar, mantener, difundir y preservar datos geoespaciales de manera efectiva, basándose en datos geoespaciales no federales existentes en la medida de lo posible ”( URISA, 2018 ). En otras palabras, la GDA proporciona un marco de gobernanza para reunir miles de millones de dólares de inversión en datos geoespaciales de una variedad de áreas de misiones ambientales y militares.
FIGURA 5
www.frontiersin.org
Figura 5 . El Sistema Global de Evaluación Agrícola y de Desastres (GADAS) es un sistema GIS que proporciona datos sobre las condiciones globales de los cultivos basados en imágenes satelitales y datos de teledetección [USDA-FAS].
Jack Dangermond de Esri estableció la visión de una infraestructura geoespacial para que “los usuarios puedan acceder fácil y económicamente a una inmensa riqueza de información geográfica sobre casi cualquier tema ... [aprovechando] los recursos de computación en la nube para realizar análisis y mapeo” ( Dangermond, 2018 ). Tecnológicamente, esto significa proporcionar una plataforma para conectar los sistemas SIG existentes en un nuevo patrón arquitectónico conocido como WebGIS. El patrón WebGIS admite múltiples patrones de implementación desde la arquitectura orientada al borde en la granja presentada en la sección anterior hasta un “sistema de sistemas” distribuido en el sector público y privado.
Desde una perspectiva agrícola, WebGIS proporciona un marco para reducir los silos pasados no solo en las agencias del sector público, sino también entre el sector público y la industria agrícola. El Servicio de Investigación Agrícola del USDA (ARS) ha tomado la iniciativa de romper estos silos al aprovechar WebGIS. Aunque en sus primeras etapas, el Sistema de Resultados de la Investigación Agrícola Colaborativa (AgCROS) ilustra la visión de la colaboración al proporcionar una plataforma única para la difusión de nuevos descubrimientos y técnicas científicas agrícolas ( Delgado et al., 2018b ). AgCROS se construyó sobre la base de proyectos de investigación nacionales individuales del ARS. Estos proyectos estudiaron áreas como emisiones de gases de efecto invernadero, salud del suelo, genómica, cultivos de cobertura, energías renovables, resistencia a los antibióticos, uso de nutrientes y nutrición (Del Grosso et al., 2013 ; Delgado et al., 2016 ; Delgado et al., 2018b ).
Manteniendo las cuencas hidrográficas de la Tierra, el Sistema de Datos de Investigación Agrícola (STEWARDS) inició los proyectos nacionales de recursos naturales de múltiples ubicaciones del ARS. STEWARDS usó lo que ahora se llama WebGIS, pero cada ubicación tenía su propio vocabulario de medición, por lo que la comparación cruzada de ubicaciones no fue posible ( Steiner et al., 2009 ). STEWARDS introdujo un catálogo de métodos de medición que es un componente muy importante en cualquiera de estos sistemas. La red de reducción de gases de efecto invernadero a través de la mejora del carbono agrícola (GRACEnet) fue el primer proyecto que mostró una verdadera colaboración entre los científicos ( Del Grosso et al., 2013). GRACEnet, también utilizó un WebGIS. GRACEnet demostró que a través de la colaboración entre los científicos, es una forma de construir un vocabulario común de mediciones de emisiones de gases de efecto invernadero. Esto ha sido clave en la construcción de sistemas alrededor de cada uno de estos proyectos individuales desde entonces para ARS. El SIG proporcionó una forma de relacionar todos estos datos según la ubicación. La adición de metadatos para métodos de medición y descubrimiento público ahora permite que los datos de ubicación individuales se combinen para observar las tendencias en las ubicaciones de investigación del ARS. Los próximos pasos para AgCROS serán agregar imágenes, sensores en tiempo real y recolección de campo electrónico para permitir que se agreguen más datos con el objetivo de permitir que se realicen las técnicas de aprendizaje automático discutidas anteriormente. Más importante, promueve la integración del conocimiento agrícola utilizando el patrón WebGIS con el fin de promover la colaboración entre el gobierno, la industria y el mundo académico. En otras palabras, es el mecanismo para acelerar la adopción de nuevas técnicas de producción de cultivos en la granja inteligente, que a su vez puede entregar datos de mayor calidad a la comunidad científica para permitir una ciencia sólida. De hecho, estos sistemas antes mencionados, junto con una red agrícola inteligente, sugieren que WebGIS podría, de hecho, convertirse en el Digital Twin para el Globo. De esta manera, tal sistema facilitaría la transparencia de los costos ambientales y reduciría las externalidades de costos basadas en datos reales desde los sistemas de monitoreo hasta la granja / productor, permitiendo así una formulación de políticas más basada en datos. es el mecanismo para acelerar la adopción de nuevas técnicas de producción de cultivos para la granja inteligente, que a su vez puede entregar datos de mayor calidad a la comunidad científica para permitir una ciencia sólida. De hecho, estos sistemas antes mencionados, junto con una red agrícola inteligente, sugieren que WebGIS podría, de hecho, convertirse en el Digital Twin para el Globo. De esta manera, tal sistema facilitaría la transparencia de los costos ambientales y reduciría las externalidades de costos basadas en datos reales desde los sistemas de monitoreo hasta la granja / productor, permitiendo así una formulación de políticas más basada en datos. es el mecanismo para acelerar la adopción de nuevas técnicas de producción de cultivos para la granja inteligente, que a su vez puede entregar datos de mayor calidad a la comunidad científica para permitir una ciencia sólida. De hecho, estos sistemas antes mencionados, junto con una red agrícola inteligente, sugieren que WebGIS podría, de hecho, convertirse en el Digital Twin para el Globo. De esta manera, tal sistema facilitaría la transparencia de los costos ambientales y reduciría las externalidades de costos basadas en datos reales desde los sistemas de monitoreo hasta la granja / productor, permitiendo así una formulación de políticas más basada en datos. de hecho, conviértase en el Gemelo Digital del Globo. De esta manera, tal sistema facilitaría la transparencia de los costos ambientales y reduciría las externalidades de costos basadas en datos reales desde los sistemas de monitoreo hasta la granja / productor, permitiendo así una formulación de políticas más basada en datos. de hecho, conviértase en el Gemelo Digital del Globo. De esta manera, tal sistema facilitaría la transparencia de los costos ambientales y reduciría las externalidades de costos basadas en datos reales desde los sistemas de monitoreo hasta la granja / productor, permitiendo así una formulación de políticas más basada en datos.
Conclusión
La agricultura de precisión surgió en la década de 1980 debido al desarrollo de varias tecnologías clave como una forma de mejorar el margen a través de la gestión de costos de los insumos y al mismo tiempo mejorar el rendimiento. El desarrollo de prácticas de conservación de precisión comenzó a principios de la década de 2000. Las nuevas tecnologías como el GPS, las imágenes satelitales y los nuevos métodos de modificación genética en la revolución verde han representado una disrupción en la agricultura no vista desde la introducción del primer tractor comercial exitoso a principios del siglo XX y la revolución verde que se produjo entre 1950 y finales del siglo XX. 1960. Con el creciente impacto del cambio climático, este documento ha argumentado que la próxima revolución en la agricultura de precisión será impulsada por SPAE, que podría aprovechar las tecnologías pasadas combinadas con el análisis de Big Data. Entre otros impactos positivos,
Si bien la definición tradicional de agricultura sostenible se centró en la incorporación de nuevas prácticas que se ocupan de los servicios de los ecosistemas, esta nueva agricultura sostenible centrada en la tecnología pasa de un enfoque de gestión específico al sitio a la noción de sostenibilidad global. Para lograr esta transición, presentamos el marco WebGIS como un principio organizativo que conecta generadores de datos locales específicos del sitio llamados granjas inteligentes con una visión regional y global de la agricultura que puede apoyar tanto a la industria agrícola como a los responsables de la formulación de políticas en el gobierno.
La automatización y el uso de IA, IoT, drones, robots y Big Data sirven como base para los "gemelos digitales", que podrían permitir simulaciones de nuevas ideas que pueden probarse virtualmente para determinar el impacto ambiental antes de su implementación en el mundo real. En otras palabras, la construcción de nuevas prácticas en el mundo virtual reducirá el tiempo para implementar nuevas prácticas que conduzcan a mejores resultados ambientales. Si vamos a alimentar a 10 mil millones de personas para 2100 y al mismo tiempo preservar nuestro medio ambiente, la próxima revolución verde debe incorporar el mundo virtual.
Leer más
