Logran completar con IA el atlas de productividad de todas las áreas agrícolas del mundo para tres grandes cultivos
Un artículo publicado en la revista Nature Food presenta un metamodelo desarrollado a través de aprendizaje automático (machine learning) y análisis de datos a gran escala, gracias al cual se pudieron elaborar mapas mundiales de alta resolución, que muestran cuales son los potenciales de rendimiento de maíz, trigo y arroz en zonas de las que hasta ahora no se tenía información.
BUENOS AIRES – (Agencia CyTA-Leloir).– Gracias al uso de distintas herramientas de inteligencia artificial (IA), un grupo internacional liderado por científicos argentinos pudo completar el Atlas Global de Brechas de Rendimiento para maíz, trigo y arroz, ya que consiguió realizar predicciones precisas y mapas de alta resolución para las zonas del mundo de las que no había información, a partir de los datos que sí estaban disponibles. Estos mapas ayudarán a guiar las inversiones para mejorar la producción a sitios con mayor respuesta y, así, aumentar la disponibilidad de alimentos.
“Completamos los espacios vacíos del Atlas que comenzó a armarse hace 12 años, expandiendo sus resultados a muchas áreas agrícolas que, por diversas cuestiones, no iban a ser fáciles de incluir”, celebró en diálogo con la Agencia CyTA-Leloir el autor principal del trabajo, el ingeniero agrónomo Fernando Aramburu-Merlos, investigador del Instituto de Innovación para la Producción Agropecuaria y el Desarrollo Sostenible (IPADS), que depende del INTA y del Conicet y tiene su sede en Balcarce, Provincia de Buenos Aires. La metodología y los resultados fueron publicados en la revista Nature Food y el proyecto forma parte del posdoctorado de Aramburu-Merlos en el Departamento de Agronomía y Horticultura de la Universidad de Nebraska-Lincoln, Estados Unidos, bajo la dirección del investigador argentino Patricio Grassini, ingeniero agrónomo y doctor en Agronomía.
“Es muy emocionante. Ahora podemos estimar el potencial de rendimiento de cada terreno de cultivo en todo el mundo. Los resultados ofrecen una oportunidad fantástica para que los agricultores puedan tomar como punto de referencia su productividad actual y para orientar la intensificación sostenible de los sistemas agrícolas a nivel mundial”, aseguró Grassini, creador del Atlas Global de Brechas de Rendimiento junto a colegas de la Universidad de Wageningen, en Wageningen, Países Bajos.
El potencial de rendimiento para un lugar hace referencia al máximo rendimiento que se puede alcanzar si, tomando en cuenta las condiciones climáticas y del suelo de esa zona, se hace todo bien y no hay ningún factor que afecte la producción (en términos de situaciones que puede manejar el productor como la falta de fertilizantes o la prevención de plagas). “Saberlo es importante porque permite establecer la brecha entre lo que se obtiene y lo que se podría obtener con las mejores prácticas. Es un indicador de cuán bien se están haciendo las cosas y cuánto más se puede mejorar si se implementan ciertos cambios en el futuro”, explicó Aramburu-Merlos.
El investigador, que en breve regresará al país, agregó que los mapas obtenidos están disponibles para que los puedan usar científicos, agricultores y empresas. “Las aplicaciones van mucho más allá del nivel agrícola. La nueva posibilidad de estimar el potencial de rendimiento ofrece a los gobiernos, organizaciones internacionales y fundaciones benéficas un enfoque transparente y objetivo para comprender dónde existen las mayores oportunidades para mejorar los rendimientos”, resaltó Aramburu-Merlos.
Los nuevos mapas se pueden descargar de un repositorio de manera gratuita y se pueden abrir con cualquier programa para sistemas de información geográfica. DESCARGAR AQUI
Fernando Aramburu-Merlos (con capucha gris) y Patricio Grassini (sweater negro), visitando ensayos de maíz en Ruanda.
El novedoso enfoque, al que los autores llaman “metamodelo”, aplica aprendizaje automático (machine learning) para apoyarse en la metodología utilizada por el Atlas Global de Brechas de Rendimiento, incorporando una gama compleja de conjuntos de datos y un abordaje analítico matizado que refuerza su precisión. “Realizamos una validación cruzada teniendo en cuenta la ubicación geoespacial de las distintas localidades, y tuvimos un 15%/20% de error, una precisión buena para este tipo de estimaciones”, dijo Aramburu-Merlos.AG. CYTA-LELOIR BAIRES
