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.