Una tecnología desarrollada por una startup brasileña se inspiró en el modelo de relevamiento que utiliza la industria petrolera para definir la ubicación exacta para la perforación de pozos de crudo y gas (foto: divulgación/Cropman)

Algoritmos y sensores ayudan a mapear el suelo y optimizan la producción agrícola
03-02-2022
PT EN

Una tecnología desarrollada por una startup brasileña se inspiró en el modelo de relevamiento que utiliza la industria petrolera para definir la ubicación exacta para la perforación de pozos de crudo y gas

Algoritmos y sensores ayudan a mapear el suelo y optimizan la producción agrícola

Una tecnología desarrollada por una startup brasileña se inspiró en el modelo de relevamiento que utiliza la industria petrolera para definir la ubicación exacta para la perforación de pozos de crudo y gas

03-02-2022
PT EN

Una tecnología desarrollada por una startup brasileña se inspiró en el modelo de relevamiento que utiliza la industria petrolera para definir la ubicación exacta para la perforación de pozos de crudo y gas (foto: divulgación/Cropman)

 

Por Fábio De Castro  |  Agência FAPESP – El manejo adecuado de la aplicación de abono y otros insumos en los cultivos –esencial para asegurar la sostenibilidad económica y ambiental en la producción agrícola– depende del mapeo preciso del suelo en las áreas de siembra. No obstante, los métodos convencionales disponibles para la realización de este tipo de estudios son costosos y su precisión es limitada. Para solucionar este problema, la startup Cropman, con sede en la localidad paulista de Campinas, en Brasil, desarrolló una metodología innovadora de diagnóstico de suelos con alta precisión y bajo costo.

Con el apoyo del Programa de Investigación Innovadora en Pequeñas Empresas (PIPE), de la FAPESP, investigadores de la empresa desarrollaron la plataforma tecnológica Smart Sampling, basada en el uso de múltiples sensores en campo, con automatización del flujo de información y minería de datos basada en la aplicación de un algoritmo innovador.

Los algoritmos producen mapeos de zonas permanentes de manejo y de compactación de suelos, que le permiten al agricultor efectuar un uso racional de insumos y una preparación de los suelos a una profundidad variable, promoviendo el ahorro, la eficiencia, la productividad y la sostenibilidad de las prácticas agrícolas.

De acuerdo con Henrique Coutinho Junqueira Franco, investigador responsable del proyecto, uno de los factores que actualmente limitan el relevamiento preciso de los suelos es la cantidad de muestras necesarias. Para obtener el mapeo adecuado de los atributos fisicoquímicos del suelo, es necesario efectuar un muestreo denso en el área.

“En la agricultura de precisión clásica, el método consiste en dibujar sobre el mapa de la propiedad rural una parrilla o grilla de muestreo densa, efectuando la recolección de muestras de suelo cada 100 metros con el fin obtener una por hectárea. En grandes áreas, esa muestra tan densa se hace trabajosa y eleva mucho los costos, sin la precisión adecuada. Eventualmente, vuelve al mapeo impracticable tanto físicamente como económicamente”, explica Coutinho Junqueira Franco.

Inspirado en el modelo de mapeo de suelos utilizado por la industria petrolera, el paquete tecnológico Smart Sampling permite obtener un muestreo inteligente, orientado por atributos del suelo que se obtienen con base en información de sensores de conductividad eléctrica. Aun con una cantidad mucho menor de muestras, el relevamiento es más eficiente y completo.

“En el campo, basta con transitar sobre el área con un vehículo equipado con un sensor proximal de conductividad eléctrica, que pasa a menos de un metro de distancia del suelo. Se miden los pulsos que retornan desde el suelo y su intensidad tiene una relación directa con el tipo de suelo: la proporción de arcilla, la compactación, la presencia de piedras y así sucesivamente”, dice Coutinho Junqueira Franco.

Este método permite mapear la variabilidad de las condiciones del suelo, optimizando la gestión y la toma de decisiones del productor en cuanto a los insumos necesarios para cada área de cultivo. Como los atributos del suelo se mapean a diversas profundidades, según Coutinho Junqueira Franco, es posible identificar pormenorizadamente las condiciones de compactación del suelo.

“Logramos ver la variabilidad del suelo que el ojo no ve, y que explica por qué en una misma área una cosechadora puede obtener 124 toneladas de caña de azúcar en una parte y solamente una tonelada en otra”, afirma.

De acuerdo con el investigador, con la información de altimetría y de muestras de suelo recabada en lugares estratégicos, Smart Sampling permite generar zonas permanentes de manejo para diversos usos agrícolas y para cualquier cultivo, bajando los costos de utilización de insumos e incrementando la productividad. A tal fin, la inmensa cantidad de datos obtenidos mediante sensores se procesan con algoritmos desarrollados por Cropman, lo que aporta una sustancial eficiencia en el diagnóstico de suelos agrícolas.

“Utilizamos varios sensores para evaluar la producción, pero nuestra impronta –y la verdadera innovación– está relacionada con la aplicación del algoritmo. El secreto del servicio que prestamos consiste en saber qué hacer con los datos que recolectamos”, dice Coutinho Junqueira Franco.

Menos muestras, más precisión

Según Coutinho Junqueira Franco, el desarrollo del algoritmo tomó como base los software que utiliza la industria del petróleo para definir la ubicación de las perforaciones de pozos partiendo de la obtención de informaciones sísmicas del suelo obtenidas con sensores.

“En esta industria, no se sale perforando a ciegas: es necesario ser altamente asertivos. Por eso alimentan algoritmos con datos cualitativos y cuantitativos en las áreas donde los estudios de prospección indicaron una alta probabilidad de existencia de petróleo. Pensando en esto, se nos ocurrió la idea de crear un algoritmo que fuese alimentado con coordenadas y datos del suelo de las propiedades agrícolas, con el fin de gestionar información para la toma de decisiones del productor”, explica.

En la etapa conceptual del desarrollo del algoritmo, los investigadores ya lograban elaborar mapas tan buenos como los que se confeccionan con base en una grilla de muestreo densa, con recolecciones cada 25 metros, pero con una cantidad de muestras diez veces menor. “El algoritmo era alimentado con los datos de variabilidad eléctrica y nos informaba dónde tomar las muestras para elaborar un mapa muy calificado. De este modo, era necesario recolectar mucho menos”, afirma Coutinho Junqueira Franco.

En el proyecto PIPE Etapa II, los investigadores decidieron escalonar la tecnología y reunir todo en una sola plataforma de gestión de datos. Así surgió Smart Sampling, que hizo posible una evolución de las grillas de muestreo para el establecimiento de zonas de manejo determinadas precisamente.

“Tras pasar por el sensor y ejecutar el algoritmo, rápidamente teníamos los puntos precisos en donde efectuar la recolección al día siguiente. Estas muestras se analizaban en el laboratorio. Con base en la minería de los datos obtenidos, creamos polígonos con la característica de cada porción que puede recibir los insumos adecuados en la cantidad necesaria. Nadie hacía esto y nos percatamos de que teníamos una innovación entre manos. Embutimos en el PIPE esta idea de crear las zonas de manejo e intensificamos el proceso de automatización”, explica Coutinho Junqueira Franco.

Una colaboración multinacional

En 2019, Coutinho Junqueira Franco visitó Austria para conocer Geoprospector, la compañía que desarrolla un sensor de inducción electromagnética que utilizaría la empresa brasileña. Esa colaboración terminó acercando a Cropman a la multinacional italiana CNH Industrial, que es titular de parte de la empresa austríaca. En 2020, antes de la pandemia de COVID-19, Cropman efectuó una aproximación con CNH Industrial, que estaba lanzando en Brasil Agxtend, una plataforma innovadora de soluciones para la agricultura digital.

Según Coutinho Junqueira Franco, los representantes de la multinacional italiana se mostraron impresionados con el paquete tecnológico desarrollado por Cropman, especialmente con lo que el algoritmo de la empresa brasileña era capaz de hacer con los datos.

“Vieron el funcionamiento del software de Cropman combinado con el hardware austríaco y notaron que nuestro procesamiento potenciaba el sensor de Geoprospector. Quedaron impresionados y empezamos a debatir una asociación”, dice Coutinho Junqueira Franco.

La pandemia demoró un tanto el acercamiento, pero a mediados de 2021 las empresas suscribieron un contrato de acuerdo comercial. “La asociación es así: CNH nos aporta mercado, vía concesionarios –que llegan a un centenar en Brasil y en América Latina–, y nosotros operamos el hardware de ellos y nuestros software con los clientes de las concesionarias”, detalla el investigador.

Según sostiene, la colaboración redundó en el Programa Agxtend Brasil, lanzado en octubre, que también abarca a Case IH y a New Holland Agriculture, dos fabricantes de maquinarias agrícolas del grupo CNH Industrial.

Con esta asociación, el hardware, que es el principal insumo utilizado en los mapeos, es cedido a Cropman sin costos, algo fundamental para que la empresa gane en escala. Cropman les paga una tarifa por hectárea mapeada a los socios, por el uso del sensor, y se beneficia con el acceso al mercado vía concesionarios CNH. Sin esta alianza, la empresa tardaría mucho más tiempo para entrar en el mercado.

“Puede convertirse un caso de éxito. Es difícil ganar en escala, pero nosotros hemos logrado enfocarnos en el perfeccionamiento de nuestros procesos y ellos nos ayudan con el acceso al mercado”, sostiene Coutinho Junqueira Franco.

 

  Republicar
 

Republicar

The Agency FAPESP licenses news via Creative Commons (CC-BY-NC-ND) so that they can be republished free of charge and in a simple way by other digital or printed vehicles. Agência FAPESP must be credited as the source of the content being republished and the name of the reporter (if any) must be attributed. Using the HMTL button below allows compliance with these rules, detailed in Digital Republishing Policy FAPESP.