HomeLos beneficios de la optimización aplicados a la agricultura
.jpg)
El uso de la tecnología en la agricultura ha aumentado cada año. El uso de sensores para monitoreo de propiedades del suelo; aplicaciones para monitoreo remoto; sistemas integrados con estaciones meteorológicas y; drones para la demarcación de plantaciones, seguimiento de cultivos y monitoreo de cosechas, ya son una realidad. Estas tecnologías forman parte de la llamada agricultura inteligente y marcan una nueva fase en la agricultura, la Agricultura 4.0.
El uso de estas tecnologías hace posible la captura de un enorme volumen de datos, lo que permite una mejor toma de decisiones. Pero no sirve de nada una gran base de datos sin saber cómo usarla. Y es entonces cuando el uso de técnicas de análisis de datos (Data Analytics) y análisis avanzados (Advanced Analytics) se hace extremadamente necesario y beneficioso. La optimización matemática, un brazo de la analítica avanzada, se ha venido utilizando en varios establecimientos agrícolas en todo el mundo y es un gran facilitador para tomar mejores decisiones.
Entre las diferentes decisiones que se pueden optimizar en el sector agrícola, podemos mencionar:
- Número de riegos y fertilizaciones a realizar
- Fechas de riego/fertilización
- Cantidad de agua que se utilizará en cada riego
- Selección de fertilizantes
- Cantidad de cada fertilizante
- Ubicación de los irrigadores
- Ubicación de la aplicación de agrotóxicos
En general, es posible aplicar la optimización matemática a cualquier problema que implique la toma de decisiones. Para lograrlo, debe haber un objetivo, de modo que las decisiones involucradas en el modelo se tomen buscando alcanzarlo. Los objetivos pueden ser variados, para la agricultura, podemos mencionar algunos como:
- Maximización de ganancias
- Maximización del rendimiento agrícola
- Maximización de la absorción de nutrientes
- Reducción de costos
- Reducción de consumo de agua
- Reducción del consumo de fertilizantes y/o agrotóxicos
- Reducción de la degradación del suelo
Un mismo modelo puede buscar una solución excelente que involucre una o más decisiones. Del mismo modo, puede ser de objetivo único o de objetivo múltiple y adoptar una perspectiva a corto o largo plazo. Las restricciones consideradas van desde las restricciones químicas hasta las restricciones reglamentarias y operativas, de modo que la solución final se ajuste a la realidad y pueda ponerse en práctica.
Dependiendo del objetivo seleccionado, la empresa en su conjunto puede beneficiarse de una óptima toma de decisiones. Para un objetivo de reducción del consumo de agua, por ejemplo, es posible ver el impacto que un modelo de optimización podría generar cuando pensamos que la agricultura representa el 70% del consumo mundial de agua (FAO, 2017) y que hay alrededor de 750 millones de personas en el mundo sin acceso al agua potable.
Además, las investigaciones realizadas también por la FAO (Organización de las Naciones Unidas para la Agricultura y la Alimentación) muestran que la producción agrícola debe aumentar en un 70% en comparación con 2009 para alimentar a la población prevista de 9.100 millones de personas en 2050 (FAO, 2009). Sin embargo, con una disponibilidad cada vez más escasa de recursos naturales, este problema se hace aún más complejo, lo que pone de relieve la importancia de una toma de decisiones más eficiente. En este sentido, el modelo matemático es sin duda uno de los caminos posibles para el necesario aumento de la productividad, haciendo posible, a través de decisiones optimizadas, producir más utilizando el mismo espacio.
Algunos se preguntarán cómo se podrían alcanzar algunos de estos objetivos utilizando un método exacto, ya que algunas variables relacionadas con el proceso agrícola implican mucha aleatoriedad y no se pueden predecir con exactitud (el rendimiento agrícola propiamente dicho difícilmente podría representarse mediante una función analítica). Para ello, existen en el mercado varios simuladores agrícolas que, basándose en los datos de entrada, hacen una previsión del comportamiento del suelo y del crecimiento de los cultivos. De esta manera, los modelos matemáticos se pueden utilizar en conjunto con estos simuladores. Este tipo de solución se llama Optimización de Caja Negra (Black-box optimization or Simulation-optimization).
Cualquiera que sea el método utilizado, los efectos de la utilización de la optimización en los procesos agrícolas son numerosos y pueden generar beneficios tanto para los productores como para la sociedad en su conjunto, ya sea mediante el aumento de los ingresos agrícolas, la reducción de los costos y/o la reducción de los efectos negativos en el medio ambiente.
Referencias:
al, J. e. (2003). The DSSAT cropping system model. European Journal of Agronomy.
Darshana, P. A. (2012). Simulation and Optimization for irrigation and crop planning. Irrig and Drain 61, 178–188.
FAO. (2009). Retrieved May 2, 2019
FAO. (2017). Retrieved May 2, 2019
Jones JW, A. J. (2017). Brief history of agricultural systems modeling. Agric Syst 155, 240–254.
Coautor: Emmanuel Marchal - Managing Partner en Cassotis Consulting