Matem¨¢ticas para igualar la oferta y la demanda en agricultura

La Organizaci¨®n de las Naciones Unidas para la Alimentaci¨®n y la Agricultura (FAO) ha elegido 2020 como el A?o Internacional de la Salud Vegetal, con el objetivo de concienciar sobre la importancia de la protecci¨®n de la salud de las plantas para erradicar el hambre, reducir la pobreza, proteger el medio ambiente e impulsar un desarrollo econ¨®mico sostenible. Todas estas son metas que se enmarcan dentro de los Objetivos de Desarrollo Sostenible de la ONU, y la investigaci¨®n matem¨¢tica puede contribuir a su consecuci¨®n.

Una de las claves es casar la producci¨®n y demanda de productos frescos a nivel mundial, para no desperdiciar alimentos, y evitar crisis de precios debidas a un exceso o d¨¦ficit en la producci¨®n. Es una tarea compleja, pero posible hoy en d¨ªa gracias a la existencia de gran cantidad de datos y el auge de la inteligencia artificial.

En primer lugar, se modeliza matem¨¢ticamente el mercado de alimentos de forma global como un sistema complejo, identificando las caracter¨ªsticas de producci¨®n y consumo de la agricultura en cada pa¨ªs (superficie cultivada, clima, poblaci¨®n, consumos¡­) y tambi¨¦n las relaciones comerciales entre los pa¨ªses, en lugar de analizarlos como islas independientes como se ven¨ªa haciendo en los ¨²ltimos a?os. El resultado, tras procesar esta enorme cantidad de datos, es un grafo, donde cada v¨¦rtice es un pa¨ªs, y las aristas ¨C uniones entre v¨¦rtices¨C representan las exportaciones e importaciones de productos frescos entre pa¨ªses. Las m¨²ltiples caracter¨ªsticas que describen cada pa¨ªs se representan en el grafo como propiedades de los v¨¦rtices (tama?o, forma, color...), y las de las relaciones comerciales, con el grosor o direcci¨®n de las aristas.

A partir de las propiedades de los v¨¦rtices y aristas de este grafo se generan variables derivadas, que resumen el estado de la red, es decir, del mercado, en cada instante de tiempo. Es fundamental realizar una buena selecci¨®n de las variables, para aislar la se?al del mercado y eliminar el ruido. El objetivo es descartar la informaci¨®n irrelevante. Sobre este sistema de variables se aplican algoritmos de redes neuronales y deep learning para predecir la demanda del mercado y la evoluci¨®n de los precios en el futuro. Estos algoritmos, compuestos por neuronas interconectadas similares a nuestro cerebro, aprenden de lo ocurrido en el pasado para hacer su pron¨®stico.

Para obtener una predicci¨®n fiable, es fundamental disponer de un conjunto de datos que describan el sistema de forma completa

Por ello, para obtener una predicci¨®n fiable, es fundamental disponer de un conjunto de datos que describan el sistema de forma completa. La depuraci¨®n cuidadosa de los mismos es crucial, ya que si se omite informaci¨®n relevante, los algoritmos no podr¨¢n salvar esta limitaci¨®n. Por ejemplo, si ¨²nicamente se dispone de un registro por debajo del 60% de las transacciones comerciales mundiales, el modelo adolece de una limitaci¨®n importante. Hay que se?alar que nunca se dispone del total de la informaci¨®n y por tanto no existe un algoritmo perfecto que tenga una precisi¨®n del 100%.

Uno de los datos que se precisa conocer son las superficies cultivadas y el estado vegetativo de los cultivos, lo que es posible gracias a la teledetecci¨®n. Esta t¨¦cnica consigue reconocer de forma remota cada cultivo y estimar su producci¨®n a partir de sat¨¦lites y drones, y algoritmos de machine learning. Los drones y sat¨¦lites captan la reflectancia a distintas longitudes de onda, y generan un vector de reflectancias. Para interpretar dicho vector se usan los llamados ¨ªndices de vegetaci¨®n. El m¨¢s conocido de ellos es el NDVI, que mide la diferencia entre la reflectancia en el infrarrojo y en el visible. Estas radiaciones son utilizadas por la planta en la fotos¨ªntesis y por tanto dan idea de su salud, de forma an¨¢loga a lo que hacemos ¡®a ojo¡¯ aseverando que el verdor indica un estado satisfactorio de nuestras plantas dom¨¦sticas.

Los drones y sat¨¦lites captan la 'reflectancia' a distintas longitudes de onda, y generan un vector. Para interpretarlo se usan los llamados "¨ªndices de vegetaci¨®n"

Por el momento, con estas t¨¦cnicas se ha conseguido diferenciar entre distintas variedades y analizar la evoluci¨®n de su estado vegetativo, pero todav¨ªa es necesario mejorar las estimaciones de la producci¨®n de un cultivo generadas a partir de la teledetecci¨®n, para que se ajusten m¨¢s a la realidad. En esta l¨ªnea se lleva a cabo en el ICMAT una investigaci¨®n conjunta entre Espa?a y Egipto, liderada por la start-up AGrowingData y financiada por el Centro para el Desarrollo Tecnol¨®gico Industrial (CDTI), en la que se analizan medidas en campo junto con datos de teledetecci¨®n para encontrar los ¨ªndices de vegetaci¨®n y algoritmos m¨¢s adecuados que permitan estimar la producci¨®n futura en los cultivos que se realizan en las orillas del Nilo.

Javier Borondo es director de tecnolog¨ªa de AgrowingData y colaborador del ICMAT

Caf¨¦ y Teoremas es una secci¨®n dedicada a las matem¨¢ticas y al entorno en el que se crean, coordinado por el Instituto de Ciencias Matem¨¢ticas (ICMAT), en la que los investigadores y miembros del centro describen los ¨²ltimos avances de esta disciplina, comparten puntos de encuentro entre las matem¨¢ticas y otras expresiones sociales y culturales y recuerdan a quienes marcaron su desarrollo y supieron transformar caf¨¦ en teoremas. El nombre evoca la definici¨®n del matem¨¢tico h¨²ngaro Alfred R¨¦nyi: "Un matem¨¢tico es una m¨¢quina que transforma caf¨¦ en teoremas".

Edici¨®n y coordinaci¨®n: ?gata Tim¨®n (ICMAT).

Puedes seguir a Materia en Facebook, Twitter, Instagram o suscribirte aqu¨ª a nuestra newsletter