Las tecnologías satelitales innovadoras para el pronóstico del rendimiento de los cultivos serán un salvavidas para los países en desarrollo que sufren escasez de datos y problemas climáticos.
Investigadores de la Universidad de Cornell y sus socios han desarrollado un sistema innovador para pronosticar el rendimiento de los cultivos utilizando datos mínimos, proporcionando una herramienta importante para la agricultura en los países en desarrollo que enfrentan disponibilidad limitada de datos, inseguridad alimentaria y amenazas climáticas.
En todo el mundo, el rendimiento de los cultivos está disminuyendo, en gran parte debido al cambio climático. Un estudio reciente de la Universidad de Cornell encontró que en los últimos cuarenta años, un aumento de la temperatura de sólo 1 grado Celsius ha resultado en una disminución del 66% en los ingresos agrícolas netos.
Mientras que los agricultores de los países desarrollados se benefician de conjuntos de datos ricos y herramientas sofisticadas de gestión de riesgos para mitigar el impacto del clima extremo en sus cultivos e ingresos, los agricultores de los países en desarrollo enfrentan serios desafíos debido a la falta de datos.
El artículo de los investigadores, publicado en la revista Environmental Research Letters, informa sobre un método para utilizar imágenes satelitales para medir la fluorescencia de la clorofila (SIF) inducida por el sol para estimar y predecir el rendimiento de los cultivos. El método ya ha sido probado en campos de maíz de EE. UU. y de trigo en la India, lo que demuestra su potencial aplicabilidad a diversos cultivos en todo el mundo.
“La fluorescencia de la clorofila es la luz rojiza reemitida por los tejidos y organismos fotosintéticos y sirve como indicador de la conversión de energía fotosintética en las plantas. No le dirá cuántas mazorcas de maíz hay en el campo, pero el primer paso para hacer una predicción es modelar la fotosíntesis basándose en la fluorescencia. La productividad de los cultivos depende de la fotosíntesis. Aquí tenemos un modelo mecanicista, que es muy importante”, explica Ying Sun, coautor y profesor asistente de ciencias del suelo y las plantas en la Facultad de Agricultura y Ciencias de la Vida (CALS) de la Universidad de Cornell.
Chris Barrett, también coautor y profesor de economía aplicada y gestión, ve un potencial significativo para este enfoque en el desarrollo de políticas, seguros de cosechas y pronóstico de la pobreza.
“Esta estrategia aprovecha la creciente disponibilidad de datos satelitales y es más barata de usar y más accesible que otros métodos de pronóstico de cultivos. Esto me parece prometedor. Además, la herramienta ayudará a predecir la pobreza a nivel de aldea en zonas rurales donde la mayor parte de la economía se basa en la agricultura”, afirmó.
Barrett destacó la utilidad de la herramienta para las organizaciones de ayuda alimentaria porque permite una respuesta más rápida y específica. Mientras tanto, Sun mencionó la investigación en curso destinada a adaptar la herramienta para su uso en tiempo real, permitiendo a los agricultores ajustar estrategias para mejorar la salud y la productividad de los cultivos actuales.
El autor principal Oz Kira, de la Universidad Ben-Gurion del Negev, enfatiza la adaptabilidad del modelo a las condiciones cambiantes, a diferencia de los modelos tradicionales de aprendizaje automático que a menudo suponen condiciones ambientales estáticas: “Si las condiciones de crecimiento cambian, es posible que las predicciones basadas en datos históricos no sean aplicables . En nuestro caso, no basamos nuestros modelos en observaciones previas, sino que funcionan en tiempo real”.
Fuente: Universidad de Cornell, CALS.
