Un equipo de investigación de la Universidad de Huelva ha aplicado un sistema ‘inteligente’ para anticipar la producción semanal de cultivos de fresas y otros frutos rojos. Esta herramienta predice la cantidad de kilogramos que generará el agricultor para facilitar su gestión y venta a grandes superficies como los supermercados.

Los expertos aplican a la producción agrícola una herramienta que emplea un modelo híbrido de redes neuronales -es decir, que suma diferentes técnicas de aprendizaje automático para obtener mejores resultados- en la predicción de la cantidad de bayas que los pequeños agricultores pueden cosechar a corto plazo.

Normalmente, los agricultores y los supermercados establecen acuerdos comerciales para garantizar el suministro de productos agrícolas. En el caso de las frutas, los comercios suelen estimar una cantidad diaria o semanal en kilogramos que el productor debe proveer. No obstante, ésta depende de cuestiones como el clima, la ubicación geográfica, la aparición de plagas y otros factores que pueden impedir al agricultor cumplir con las cuotas demandadas.

“Los productores pequeños y medianos muchas veces no disponen de los medios tecnológicos para realizar esas estimaciones. Nuestro objetivo es proporcionarles un sistema de predicción que facilite su labor y, además, no requiera muchos conocimientos tecnológicos”, explica a la Fundación Descubre el investigador de la Universidad de Huelva Juan Diego Borrero.

Modelo híbrido

Tal y como explican en ‘Enhancing Short-Term Berry Yield Prediction for Small Growers Using a Novel Hybrid Machine Learning Model’ publicado en Horticulturae, para probar su eficacia, los investigadores aplicaron la herramienta en una base de datos cedida por una empresa privada que contenía fechas y la cantidad de cosecha en kilogramos.

El modelo híbrido de redes neuronales que emplearon es la suma de operaciones matemáticas complejas y aprendizaje automático. Esto quiere decir que, en vez de confiar en un solo algoritmo predictivo, este sistema emplea otro para corregir al primero, y luego otro modelo de aprendizaje automático que rectifica y ‘aprende’ de los posibles errores de las operaciones anteriores.

Para utilizarlo, los agricultores informan de los kilogramos recolectados periódicamente mediante una aplicación. Luego, los investigadores la suben a una nube privada y la herramienta ‘lo ingiere’ para procesar los datos y obtener una primera estimación para la siguiente cosecha. Después, el siguiente modelo corrige los posibles errores del primer algoritmo y, finalmente, un sistema de aprendizaje automático asimila cuáles han sido los problemas o equivocaciones en los cálculos para ir perfeccionando el sistema de forma autónoma. Al final, el agricultor obtiene la predicción de la producción semanal de fresas, arándanos o el fruto rojo a partir de los últimos datos que se hayan introducido en el sistema.

Los investigadores explican que esta herramienta está enfocada a pequeños agricultores específicamente porque su accesibilidad a recursos tecnológicos suele ser más limitada y se enfrentan a desafíos adicionales en comparación a las grandes operaciones agrícolas. Éstas cuentan con maquinaria más avanzada, terrenos de cultivo más amplios e infraestructuras actualizadas, entre otras ventajas que no poseen los pequeños productores. “Al proporcionarles una herramienta de predicción más precisa, se les ayuda a optimizar sus procesos y se les facilita la toma de decisiones, lo que puede tener un impacto significativo en su rentabilidad y sostenibilidad”, añade Juan Diego Borrero.

Frutos rojos

Los expertos centran la herramienta en la producción semanal de frutos rojos como fresas, arándanos y frambuesas, pero añaden que podría emplearse para anticipar la productividad de otros cultivos.

Aunque el código informático de la herramienta ya está desarrollado y comprobado, todavía no cuenta con una interfaz -es decir, una ‘cara’ visible con la que el usuario pueda interactuar mediante botones, menús, formularios y otros elementos web-. Por este motivo, de momento sólo los investigadores pueden emplearla con bases de datos públicas y privadas proporcionadas por empresas.

El siguiente paso que proponen los investigadores del grupo SEJ-110: Economía agraria, es desarrollar un programa o aplicación web y móvil donde este sistema sea más accesible para el agricultor y pueda obtener la estimación estableciendo parámetros sencillos y a través de un clic. “Para hacerla aún más precisa, queremos incorporar variables climáticas. No obstante, encontrar este tipo de información en los sistemas públicos es complicado y dependemos de la recolección de datos de pequeñas y medianas empresas, que no siempre están completos”, explica Juan Diego Borrero. Este trabajo ha sido financiado por fondos propios de la Universidad de Huelva.

Reportaje sobre esta nota de prensa: Inteligencia artificial para sembrar el futuro

Referencias: Borrero, J. D. & Borrero-Domínguez, J. D. (2023). ‘Enhancing Short-Term Berry Yield Prediction for Small Growers Using a Novel Hybrid Machine Learning Model’. Horticulturae, 9(5), 549.