Una investigación guiada por un fitopatólogo de la Facultad de Ciencias Agrícolas de Penn State sugiere que los algoritmos de aprendizaje automático que están programados para reconocer los patrones climáticos cambiantes podrían mostrar a los productores y administradores agrícolas cómo aumentar los rendimientos de soja y maíz en los Estados Unidos.
por la Universidad Estatal de Pensilvania
El enfoque podría resultar valioso para abordar las realidades del cambio climático que han presentado desafíos en el cultivo de alimentos suficientes para una población mundial en aumento, señaló Paul Esker, profesor asociado de epidemiología y patología de cultivos de campo.
“La soja y el maíz se encuentran entre los cultivos más valiosos en términos de suministro de alimentos y producción económica en el sector agrícola de EE. UU.”, Dijo Esker, quien señaló las estadísticas del Departamento de Agricultura de EE. UU. Que colocan al maíz como el cultivo de mayor producción en EE. UU., Con soybean siguiendo de cerca.
Estos cultivos no solo son vitales para la seguridad alimentaria en los EE. UU. Y más allá, sino que su valor total combinado para la economía de la nación es de más de $ 100 mil millones. Si bien Esker reconoce que es una cifra impresionante, señala que muchos científicos predicen que para 2050, el mundo debe alimentar a 9 mil millones de personas, por lo que la producción actual debe aumentar.
“La demanda de alimentos será un 60% mayor de lo que es hoy, por lo que es imperativo que avancemos en la investigación agrícola para desarrollar métodos más eficientes y sostenibles para aumentar la producción, especialmente frente al cambio climático”, dijo.
Una solución sostenible a este desafío es aumentar el rendimiento de los cultivos sin una expansión masiva de la superficie de cultivo. Esto, sostiene, se puede lograr identificando y adoptando las mejores prácticas de gestión. Sin embargo, eso requerirá una comprensión más detallada de cómo el cambio climático y la variabilidad climática de la temporada de crecimiento influyen en el rendimiento de los cultivos, entre otros factores.
Los productores tienen acceso a una gran cantidad de información sobre el rendimiento y el manejo de los cultivos que ha surgido de los experimentos agrícolas en curso realizados en los EE. UU. Incluso con ese conocimiento, la predicción es un desafío porque varios factores interactúan entre sí, señaló el líder del proyecto Spyridon Mourtzinis, de Agstat Consulting , Atenas, Grecia
“Estos conjuntos de datos, hasta la fecha, han permanecido desconectados entre sí y son difíciles de combinar, estandarizar y analizar adecuadamente”, dijo Mourtzinis. “Por ejemplo, la variabilidad en el tipo de suelo puede interactuar con las condiciones climáticas y mitigar o agravar los impactos relacionados con el clima en el rendimiento de los cultivos”.
Para superar estos desafíos, el equipo exploró la idea de aprovechar el poder de los algoritmos de aprendizaje automático. Un algoritmo de aprendizaje automático, explicó Esker, es el método por el cual la computadora aprende de los datos. El objetivo es predecir valores de salida a partir de datos de entrada dados.
Con ese fin, el equipo analizó minuciosamente los datos de rendimiento y manejo de los cultivos de los ensayos de variedades realizados en 28 estados entre 2016 y 2018 para el maíz y entre 2014 y 2018 para la soja. La información se organizó en función del tipo de suelo y las prácticas de manejo, incluido el riego, el método de labranza, la tasa de siembra, el espaciamiento de las hileras y la madurez del cultivo.
Además, se recuperaron los datos meteorológicos de cada año para cada conjunto de coordenadas. El equipo examinó las correlaciones entre las variables climáticas y determinó siete variables climáticas para el maíz y ocho para la soja para regiones específicas.
Para cada cultivo, los investigadores desarrollaron algoritmos, o conjuntos de datos, que aplicaron a varias simulaciones y probaron durante dos temporadas de cultivo en un campo elegido al azar en el centro sur de Wisconsin. Se utilizaron diagramas de caja, una forma estandarizada de mostrar la distribución de datos, para evaluar visualmente los resultados.
Para ese campo específico y sistema de cultivo, el uso de los algoritmos del equipo mostró que el maíz con una fecha de siembra del 1 de mayo logró un aumento del 6% en el rendimiento en comparación con el maíz sembrado el 1 de junio. Al crear escenarios con 256 opciones de sistema de cultivo de fondo, el algoritmo resultante -La diferencia de la estimación del rendimiento derivado para la misma fecha de siembra fue menor pero aún positiva.
En el caso de la soja, una siembra del 1 de mayo resultó en un aumento del rendimiento del 14% en comparación con una siembra del 1 de junio en el sistema de cultivo de fondo único. El resultado fue consistente cuando se promediaron las diferencias de rendimiento debido a la fecha de siembra en 128 opciones de sistemas de cultivo de fondo.
Mourtzinis y Esker reconocieron que existen limitaciones en los resultados, principalmente debido a la falta de información sobre tasas de tratamientos de semillas, productos aplicados a las hojas y diferentes prácticas de manejo reportadas en diferentes estados.
Aún así, sus resultados, publicados en Scientific Reports , sugieren que los algoritmos desarrollados tienen el potencial de llevar a la industria agrícola a aumentos sustanciales de rendimiento. “Nuestro enfoque puede acelerar la investigación agrícola, identificar prácticas sostenibles y ayudar a superar las futuras demandas de alimentos”, dijo Mourtzinis.
Los investigadores también enfatizan que los algoritmos de aprendizaje automático no deben considerarse como un sustituto de los ensayos replicados. Por el contrario, señalaron, se necesitan ensayos de campo realizados por universidades como fuente de datos no sesgados, que se pueden utilizar para entrenar algoritmos aún más completos.
También contribuyeron a la investigación James Specht, Departamento de Agronomía y Horticultura, Universidad de Nebraska-Lincoln, y Shawn Conley, Departamento de Agronomía, Universidad de Wisconsin-Madison.
