Debido a los avances tecnológicos, con origen en investigaciones y esfuerzos de muchas iniciativas, el uso de la IA (inteligencia artificial) cada vez posibilita aplicaciones más sencillas y dinámicas, que presentan resultados robustos y fiables en agricultura.

La agilidad y rapidez de recolectar muchos parámetros de calidad, y a la vez relacionarlos con otros aspectos de interés para el cultivo de especies agrícolas, ha permitido la evolución de técnicas para la predicción de la cosecha y gestión inteligente de recursos y toma de decisiones.

Los proyectos MEDITOMATO, Avocado 360 º y BeHTool, y la empresa Neolithichs son algunas de las iniciativas que se destacan por ofrecer soluciones tecnológicas novedosas para cultivos clave de la agricultura nacional, que impulsan la sostenibilidad de las prácticas agrícolas.

En una era en que la sostenibilidad y la eficiencia son fundamentales, abordar el problema del desperdicio de alimentos a escala mundial se ha vuelto primordial. Aunque es una preocupación que a menudo se pasa por alto, la cantidad de alimentos desechados debido al incumplimiento de los estándares de calidad o al deterioro durante el tránsito es asombrosa.

La Organización de las Naciones Unidas para la Alimentación y la Agricultura (FAO) revela una estadística alarmante: anualmente se desperdician 1.300 millones de toneladas de alimentos, lo que se traduce en una asombrosa pérdida de 400 billones de dólares en la economía mundial.

Las repercusiones no se limitan a las finanzas, el costo ambiental es profundo, el desperdicio de alimentos contribuye a la asombrosa cifra de 3.300 millones de toneladas de emisiones de CO2 y requiere una extensión de tierra equivalente a aproximadamente 1.400 millones de hectáreas.

Sin embargo, combatir el desperdicio de alimentos es una tarea multifacética. Las estrictas demandas de los minoristas y de los consumidores requieren medidas de control de calidad rígidas, sin dejar lugar para productos de calidad inferior. Equilibrar esto con metodologías eficientes es un desafío.

Las inspecciones manuales arcaicas son propensas a la subjetividad y la ineficiencia, incluso en la era actual. Es esencial adoptar un enfoque innovador que aproveche las nuevas tecnologías para agilizar este proceso.

Por razones de seguridad alimentaria e incentivos económicos, los agricultores buscan continuamente maximizar el rendimiento de sus cultivos. Como los cultivos crecen de manera inconsistente, en el momento de la cosecha, inevitablemente habrá variaciones en la calidad y el tamaño de la producción.

Encontrar el momento óptimo para maximizar la cosecha es una prioridad para los agricultores

Hacer una predicción totalmente fiable con la máxima precisión del grado de maduración y de calidad de frutas, hortalizas y verduras es un desafío para la gestión agrícola optimizada y sostenible.

Lograr esta precisión supondría disminuir el desperdicio de alimentos, así como la necesidad de recursos, a la vez que se consigue un aumento de la efectividad en las operaciones agrícolas y en la rentabilidad de la cosecha.

Esto tendría un impacto muy positivo tanto para el agricultor como para el consumidor, que tendría acceso a productos frescos y de calidad, resultado de una producción optimizada y lo más importante, reflejando en precios más bajos de los productos.

Gracias al uso de tecnologías IA (inteligencia artificial), aprendizaje automático, Big Data, IoT (Internet de las cosas) y teledetección, la velocidad para procesar, sintetizar y analizar grandes cantidades de datos es constante e incesante.

Estos avances pueden superar a los humanos en la detección y diagnóstico de anomalías, tanto enfermedades como las predicciones sobre el rendimiento.

Un número cada vez mayor de académicos ha estado investigando usos de IA para resolver el problema de la predicción del tiempo de cosecha, y sus resultados muestran que estos métodos son mejores que los modelos estadísticos.

El uso de IA para la predicción del tiempo óptimo de la cosecha usa datos reales de los cultivos, que pueden ser recolectados por sensores, por imágenes de cámaras o satélites, entre otros dispositivos, así como relacionarlos con datos climáticos y meteorológicos, resultando en modelos más precisos y fiables.

Estas nuevas tecnologías permiten el seguimiento e integración de muchas variables, que son determinantes para estos cultivos y, al paso que se recolectan más datos, afinan la predictibilidad y eficacia de la IA.

Además, el uso de este tipo de tecnologías puede cada vez aplicarse a más cultivos, según más agricultores adopten estas técnicas y recopilen más datos posibilitando que los algoritmos y la IA desarrollen modelos robustos para diversos cultivos.

Los algoritmos ya pueden controlar y regular sistemas de riego por goteo, sensores, y flotas de robots o drones, entre otros muchos avances de la agricultura inteligente

Los resultados de los esfuerzos de I+D+i (investigación, desarrollo e innovación), en los últimos años, son capaces de analizar una serie de parámetros y, lo más importante, sin destruir la muestra, así como actuar directamente en el campo o en líneas de producción.

Las soluciones son variadas, y se basan en sensores, drones o manos robóticas que recolectan la información en tiempo real y de manera automatizada, para en seguida recopilarlas y tratarlas con IA y aprendizaje automático.
Estas nuevas tecnologías dinamizan el trabajo y mejoran la calidad de la industria agroalimentaria, a medida que aumentan el rendimiento para el agricultor y la satisfacción del consumidor.

A continuación, se detallarán las aplicaciones más novedosas de estas tecnologías en cultivos de interés para la agricultura nacional, y que suponen un nuevo paso hacia prácticas agrícolas más sostenibles.

BEHTOOL

BeHTool es un proyecto del Citoliva, en colaboración con las empresas Iteriam, PiperLab, Komorebi y Sensowave, promovido por INOLEO. Cuenta con la financiación del Plan de Recuperación, Transformación y Resiliencia de la Unión Europea y del Ministerio de Industria, Comercio y Turismo.

Se trata de una iniciativa que busca mejorar el rendimiento graso de la aceituna mediante uso de IA, eliminando la necesidad de identificaciones manuales en el campo, además del muestreo para análisis en laboratorio de los parámetros como el cálculo del índice de madurez y el análisis del rendimiento graso.

La IA hace posible estos cálculos de forma automática, optimizando el momento de la recolección de la aceituna y aumentando el rendimiento.

Se basa en el tratamiento de datos climatológicos procedentes tanto de estaciones meteorológicas como de los satélites, así como de integrar estos datos con modelos de predicción del clima.

Recolecta la información procedente de los sensores IoT instalados en las diferentes fincas que participan en el proyecto, como datos referentes al crecimiento de la planta y el fruto, además de la composición, humedad y otros factores del suelo.

En paralelo, la IA ha procesado y tratado datos históricos referentes a las producciones anteriores de diversas fincas relativas al rendimiento, la localidad, el estado fenológico y fitosanitario del cultivo.

Adicionalmente, la IA ha sido alimentada con investigaciones concernientes, que afinan soluciones para potenciales problemas.

Desarrolla un modelo predictivo del mejor momento para cosechar sin necesidad de ir al campo, con estimaciones precisas del rendimiento en el caso de recolectar la aceituna en un determinado periodo

La IA es capaz de predecir los rendimientos si, por ejemplo, dentro de 5 días, 10 días o 15 días se empezara la recolección.

La IA minimiza posibles daños en la recolección temprana de la aceituna, que en este momento tienen más resistencia al desprendimiento, pudiendo dañar el fruto, y evita un potencial perjuicio a la cosecha del año siguiente, ya que en el caso de una cosecha tardía puede inducir vecería, así como reducir costes de recolección y análisis de laboratorios.
Además de predecir el rendimiento, esta información es fundamental para que el agricultor tome decisiones de cómo gestionar recursos y acciones que pueden maximizar este rendimiento, como uso de fertilizantes, o en algunos casos regadío.

MEDITOMATO

MEDITOMATO es un proyecto financiado por PRIMA (Partnership for Research and Innovation in the Mediterranean Area), a escala mediterránea, que ha desarrollado dispositivos de medición basados en tecnología NIR e IA para mejorar la calidad y rendimiento del cultivo de tomate, para así reducir el desperdicio.

La tecnología NIR se basa en técnicas espectrofotométricas, concretamente el infrarrojo de corte alcance, para la monitorización instantánea del fruto. Puede medir simultáneamente hasta 7 parámetros de calidad en un tiempo máximo de 3 segundos.

La monitorización del fruto puede darse directamente en el campo, sin la necesidad de destruir el fruto, o durante en procesado en la planta de producción

El piloto del proyecto en España se encuentra en Granada con el Grupo La Caña, monitorizando tomate cherry desde el campo.

Tener la capacidad de predecir la evolución de la madurez y calidad del tomate es clave para gestionar las remesas para la exportación, ya que el tomate sigue madurando tras la recolección.

Adicionalmente, la solución desarrollada en el proyecto posibilita mejorar la fertirrigación, aumentando la eficiencia del sistema de riego de las plantaciones.

AVOCADO 360 º

La iniciativa de I+D+i Avocado 360 º de la Universidad de Granada (UGR), junto con Nazaríes Intelligenia, Terceto, Fidesol y La Caña, está trabajando en la herramienta Evocato para deducir la materia seca del aguacate y, por tanto, de su grado de madurez.

Evocato se basa IA y aprendizaje automático (machine learning), todo a través de una app y un sensor óptico no invasivo.

La herramienta es capaz de analizar de diversas fuentes de datos como son la evolución del microclima de las fincas evaluadas, las respuestas fenológicas del cultivo o las diferentes observaciones de plagas y posibles enfermedades

Los beneficios que se busca con la predicción del grado de madurez del aguacate son:
Eliminar los costes asociados a las técnicas actuales de determinación de la madurez del fruto.

Mejorar las cualidades del aguacate que recibe el consumidor final.

Potenciar la competitividad de las empresas y la industria agroalimentaria.
Minimizar el impacto de esta actividad en el medioambiente y reduciendo costes.

NEOLITHICS

Neolithic es una startup israelí que ha creado una solución que permite un análisis más preciso de una serie de parámetros de calidad, tanto internos como externos, de los cultivos, conservando intacta la muestra.

La solución puede aplicarse en cualquier fruta o verdura, sin embargo, el proyecto llevado a cabo ha realizado experimentos con aguacates, patatas, mangos y uvas.

La empresa aborda este reto mediante la combinación de IA, tecnología hiperespectral, aprendizaje automático y conocimientos de la ciencia de los alimentos.

Su tecnología patentada es el Crystal.eye™, capaz de medir parámetros físicos y orgánicos de calidad utilizando imágenes ópticas, que abarcan 400 espectros de luz.

La luz penetra profundamente en las frutas y verduras, eliminando la necesidad de cortarlas o triturarlas de forma destructiva

Las imágenes resultantes arrojan una huella dactilar de los cultivos, capaz de medir atributos de interés como la firmeza, el contenido de humedad, los niveles de azúcar, tamaño de las bayas, la acidez, niveles de contaminación, entre otros parámetros de interés que sirven como base de datos para el aprendizaje automático de la IA.

Todo este proceso se controla desde un panel digital, con informes personalizados adaptados a los requisitos únicos de cada uno cliente sus clientes. Por ejemplo, los fabricantes de patatas fritas buscan información sobre la materia seca, mientras que los viticultores anhelan precisión en la acidez y la dulzura de las uvas.

Esta tecnología tiene la posibilidad de trabajar tanto de forma independiente como integrada en sistemas transportadores, cintas de producción o equipos de clasificación e inspección ya existentes. Con el diferencial de poder inspeccionar todas las piezas que saldrán al mercado.

En cuestión de segundos, el sistema organiza el análisis de grandes lotes de muestras, una tarea que habría sido inimaginable por medios manuales.

Concretamente, el sistema es capaz de inspeccionar 100 kilogramos de uva en 30 segundos, permitiendo evaluarlas antes de las etapas de prensado o envasado, en tiempo real y desde el propio camión.

Esta herramienta es capaz de inspeccionar 100 kilogramos de uva en 30 segundos
Esto supone una velocidad 20 veces más rápida que los métodos utilizados actualmente, además de tener la capacidad de analizar 1 millón de kilogramos por día, con porcentaje de desviación del 0,2 %.

Realmente, esta tecnología permite inspeccionar gran parte de la materia prima, así como mejorar la amplitud del control de calidad, sin restringirse a un tamaño de muestra reducido.
En el caso del aguacate, esta tecnología tras recolectar los parámetros más importantes, es capaz de predecir el tiempo de madurez con un 90 % de exactitud.

Los parámetros de interés, en este caso, son la materia seca, firmeza del fruto, pudrición del tallo, defectos internos, o la presencia de residuos químicos en el fruto.

Con esta información el agricultor puede determinar con más facilitad la fecha límite de procesado o venta, así como garantizar altos niveles de calidad del producto, logrando una madurez más homogénea de la cosecha.

Crystal.eye™ impulsa a los productores y distribuidores expandiendo el muestreo de un insignificante 1 % a un notable 30 % a 40 %. Este aumento en la precisión reduce drásticamente la probabilidad de que los productos no satisfagan las demandas de los consumidores.

La solución reduce al máximo el desperdicio a lo largo de la cadena de suministro, erradicando la necesidad de inspecciones destructivas.

Fuente: Plataforma Tierra