La agricultura en los años venideros enfrenta grandes retos ya que debe producir más alimentos, debido a dos factores que son impulsores del consumo de alimentos que son una población en crecimiento continuo y el aumento de los ingresos económicos en algunas regiones. Según el informe de Food and Agriculture Organization (FAO-UN)1 se espera que la población mundial alcance los 9.100 millones en el 2050. Entonces, se debe aumentar la producción de alimentos en un 70% con respecto al nivel del 2007.
Por este motivo, todos los procesos del sector agroalimentario experimentan grandes desafíos y en especial la Agricultura. Esto exige aplicar tecnologías innovadoras para mejorar la productividad. En este punto entra en escena la inteligencia artificial (IA). En los últimos años se han desarrollado varias tecnologías computacionales apoyadas por IA para su aplicación a la agricultura.
Las aplicaciones de la IA a la agricultura cubren varias áreas del proceso tanto antes, durante y posterior a la recolección de los cultivos. Utilizando una serie de herramientas tales como drones, sensores remotos, sensores in situ, sistemas robotizados entre otros se puede optimizar la producción de los cultivos. Algunas de las aplicaciones a mencionar están:
- El Monitoreo de Cultivos: consiste en inspeccionar de manera periódica el cultivo. Ayudando a los productores a observar la evolución y dar seguimiento adecuado optimizar la producción del cultivo.
- Sistemas de riego automatizado: a partir del monitoreo de los cultivos se puede controlar el riego de manera automatizada. Ya que con la información recabada un sistema de IA decide el volumen de agua necesaria, donde y en qué lugar es necesario realizar el riego. De esta manera minimiza la perdida de agua.
- Sistemas Robotizados: consiste en robots que realizan tareas específicas en los cultivos, por ejemplo, para determinar la madurez de los frutos y determinar si se realiza la recolección al igual para controlar las enfermedades con tiempo, así como robots cosechadores, entre una gran variedad de aplicaciones.
Estos sistemas se utilizan en conjunto o en diferentes combinaciones con otras herramientas de la IA. Ejemplo de estas aplicaciones se ilustran en las siguientes figuras. La Figura 1 muestra las imágenes de dos ejemplos de vehículos autónomos, uno es un robot terrestre, el otro es un Vehículo aéreo no tripulado que realizan tareas similares para la detección de frutos la estimación del rendimiento en los Huertos y/o detección temprana de enfermedades2,3.
| Figura 1. a) Vehículo terrestre autónomo en un huerto de manzanas. b) Vehículo aéreo no tripulado (UAV) volando entre filas de árboles de forma autónoma en un huerto de naranjas. |
La Figura 2 muestra un sistema completo de recopilación de datos de la plataforma de gestión y seguimiento agrícola en un invernadero4. El sistema es completamente autónomo incluyendo el “spray robot” (sistema de enfriamiento evaporativo de invernadero) y el “picking robto” (robot de empaquetado), todo el sistema controlado de forma remota.
| Figura 2. Plataforma de gestión y seguimiento agrícola4 |
Como se puede ver la IA ya forma parte del proceso agrícola y en continuo desarrollo. El término utilizado para el uso de estas nuevas tecnologías es AGRICULTURA 4.0. Todo esto deja un campo ampliamente abierto a nuevos e inimaginables desarrollos de la agricultura.
Dr. José Antonio Naranjo Torres
Referencias
- Food and Agriculture Organization (FAO), Global agriculture towards 2050, Rome 12-13 2009.
- Bargoti, S.; Underwood, J. Deep fruit detection in orchards. In Proceedings of the 2017 IEEE International Conference on Robotics and Automation (ICRA), Marina Bay Sands Singapore, Singapore, 29 May–3 June 2017; pp. 3626–3633.
- Chen, S.W.; Shivakumar, S.S.; Dcunha, S.; Das, J.; Okon, E.; Qu, C.; Taylor, C.J.; Kumar, V. Counting apples and oranges with deep learning: A data-driven approach. IEEE Robot. Autom. Lett. 2017, 2, 781–788.
- Zheng, Y. Y., Kong, J. L., Jin, X. B., Wang, X. Y., Su, T. L., & Zuo, M. (2019). CropDeep: The crop vision dataset for deep-learning-based classification and detection in precision agriculture. Sensors, 19(5), 1058.
