Por:
Osmar Ricardo Barrera-Agudelo, Asistente de Investigación I de Cenipalma
Carlos Ricardo Bojacá, Investigador Titular II y Líder de Geomática de Cenipalma
Andrea Zabala-Quimbayo, Asistente de Investigación II, Área Geomática, programa de Agronomía de Cenipalma
Víctor Orlando Rincón-Romero, Investigador Asociado II de Cenipalma
El 2023 será recordado como el punto de inflexión en la adopción generalizada de la inteligencia artificial (IA), al trascender las barreras tradicionales y llegar a las personas de manera más accesible y directa, lo que impacta aspectos cotidianos y áreas críticas y estratégicas, tales como salud y seguridad. Con la introducción de soluciones basadas en IA como ChatGPT, diferentes sectores de la economía han encontrado nuevas formas de mejorar la eficiencia en sus operaciones, gestionar procesos de manera precisa y eficiente para obtener información valiosa que apoya la toma de decisiones efectivas.
De acuerdo con el propio ChatGPT, “la IA se refiere a la capacidad de las máquinas y sistemas computacionales para realizar tareas que, típicamente, requieren inteligencia humana. Estas tareas incluyen el aprendizaje, el razonamiento, la resolución de problemas, el reconocimiento de patrones, la comprensión del lenguaje natural y la percepción visual, entre otras. La IA se desarrolla mediante algoritmos y modelos que permiten a las máquinas aprender de datos, identificar patrones y tomar decisiones sin intervención humana directa.”
La revolución de la IA ha introducido un conjunto nuevo de términos, entre los cuales se incluyen “aprendizaje de máquina” (machine learning) y “aprendizaje profundo” (deep learning), entre otros. La siguiente figura presenta de manera simplificada el significado de cada uno de estos términos y cómo están interrelacionados.
La inteligencia artificial en agricultura
El sector agrícola no ha sido ajeno al impacto de la IA y sus aplicaciones, las cuales abarcan todas las etapas de la cadena productiva. La IA en agricultura implica aprovechar tecnologías avanzadas para optimizar las prácticas agrícolas. Al incorporarla, los agricultores pueden tomar decisiones basadas en datos, optimizar el uso de los recursos y maximizar la productividad de sus cultivos
Un ejemplo de aplicación de la IA en agricultura es el monitoreo de cultivos. Los drones y las cámaras equipadas con sensores pueden recopilar datos sobre el estado vegetativo de los cultivos, el crecimiento, la producción y la presencia de plagas. Estos datos pueden utilizarse para identificar problemas de forma temprana y tomar medidas correctivas, lo que puede ayudar a aumentar el rendimiento y la calidad de los cultivos. Los modelos de IA también pueden analizar datos históricos y en tiempo real para pronosticar la cantidad y la calidad de la cosecha.
Así mismo, para desarrollar robots que pueden realizar tareas de forma autónoma, como la siembra, la cosecha y la aplicación de fertilizantes, los cuales pueden ayudar a reducir la mano de obra y aumentar la eficiencia de los procesos de la agroindustria.
Aplicaciones de inteligencia artificial en palma de aceite
La capacidad de anticipar la producción, a diversas escalas espaciales, se ha convertido en una herramienta esencial para orientar las decisiones en el sector agrícola. A lo largo del tiempo se han empleado una amplia variedad de métodos y modelos matemáticos con el fin de realizar estas predicciones, y en este contexto, la inteligencia artificial también empieza a ser aplicada. Mustakim et al. (2016) compararon la capacidad de dos algoritmos de inteligencia artificial para predecir la producción de palma de aceite en Indonesia. Los datos empleados para la calibración correspondieron a ocho años de producción de la provincia con la mayor área cultivada en el país.
Dentro de los modelos evaluados, el mejor fue el basado en el algoritmo conocido como regresión de vectores de soporte (SVR), con rendimiento superior al basado en redes neuronales. El modelo SVR alcanzó un coeficiente de determinación del 95 % y un error del 6 %. Otro ejercicio similar, también en Indonesia, estimó la producción anual de racimos de fruta fresca empleando datos históricos de 11 años de una plantación de 4.630.6 ha divididas en 112 lotes (Syarovy et al., 2023). El modelo de red neuronal artificial pudo predecir eficazmente la producción de aceite de palma por cada año a nivel de lote, finca, edad y progenie. En este caso, los resultados indicaron un error promedio absoluto de 10,5 % y una correlación de 0,96.
Una de las tareas más importantes en una plantación consiste en mantener el inventario de palmas actualizado. Este inventario es crucial para diversas tareas como realizar estimados de producción o planeación de labores agronómicas. En Malasia, se propuso un método automático basado en IA para la detección y el conteo de palmas a partir de imágenes obtenidas mediante drones (Liu et al., 2020). Una vez el modelo fue entrenado, la precisión general de detección de palmas se evaluó en tres sitios con porcentajes de detección correcta que estuvieron alrededor del 97 %. Estos resultados demuestran que el método basado en IA es más efectivo y tiene una detección más precisa de las palmas.
En las plantaciones de palma de aceite, también es posible incorporar la automatización para reducir la intervención humana en tareas como las de inspección y monitoreo en el campo. Las técnicas de IA permiten tomar decisiones más acertadas en un entorno de campo real sin o con mínima intervención humana. Ejemplos de sistemas expertos para identificar correctamente las fases de polinización de las inflorescencias incluyendo el monitoreo térmico en tiempo real ya se reportan en la literatura (Mamehgol Yousefi et al., 2021). La calibración de un modelo basado en algoritmos de IA produjo resultados con precisiones de alrededor del 88 % al clasificar inflorescencias en diferentes estados de preantesis y antesis.
Perspectivas
El futuro de la IA en el cultivo de palma de aceite es prometedor. A medida que la tecnología avanza, podemos esperar sistemas de IA más precisos y eficientes que impactarán positivamente la productividad y la sostenibilidad de esta industria.
El empleo de herramientas de IA en la industria de la palma de aceite implica un costo, como cualquier nueva tecnología que se integra al proceso productivo. No obstante, los beneficios que esta tecnología puede representar, incluso en el corto plazo, como mejoras en el rendimiento, optimización en el uso de recursos o mejoras en el nivel de sostenibilidad, seguramente generarán un rápido retorno de la inversión realizada.
Desde Cenipalma, visionamos un futuro donde la sinergia entre la tecnología y la agricultura transformará no solo la productividad sino también la sostenibilidad del cultivo. El enfoque más prometedor radica en la aplicación de algoritmos avanzados para el monitoreo preciso de variables clave, por ejemplo, condiciones climáticas, calidad del suelo y estado sanitario de las palmas.
Dentro de las soluciones que ya se vienen desarrollando e implementando, se encuentran la tecnología patentada para detectar la cantidad y calidad de aceite extraído en plantas de beneficio empleando IA; la selección genómica para agilizar los procesos de mejoramiento, pasando de tiempos de 14 años con técnicas clásicas, hasta 4 años por generación usando algoritmos de aprendizaje de máquina; así como la identificación de áreas de cultivo, palmas y disturbios por posibles plagas o enfermedades empleando imágenes de drones o satelitales implementando algoritmos de visión por computador.
En Cenipalma, creemos que el futuro se escribe con algoritmos avanzados y ampliando horizontes en la búsqueda de un cultivo más eficiente y sostenible. ¡Juntos, estamos sembrando el camino hacia un mañana con agricultura más inteligente y conectada!
Referencias
Liu, X., Ghazali, K.H., Han, F., Mohamed, I.I., 2021. Automatic detection of oil palm tree from UAV images based on the deep learning method. Applied Artificial Intelligence, 35(1), pp.13-24.
Mustakim, A.B., Hermadi, I., 2016. Performance comparison between support vector regression and artificial neural network for prediction of oil palm production. Jurnal Ilmu Komputer dan Informasi (Journal of Computer Science and Information), 1, p.8.
Syarovy, M., Nugroho, A.P., Sutiarso, L., Muna, M.S., Wiratmoko, A., Primananda, S., 2022. Utilization of big data in oil palm plantation to predict production using artificial neural network model. En: International Conference on Sustainable Environment, Agriculture and Tourism (ICOSEAT 2022) (pp. 492-502). Atlantis Press.
Mamehgol Yousefi, D.B., Rafie, A.M., Abd Aziz, S., Azrad, S., Masri, M.M.M., Shahi, A., Marzuki, O.F., 2021. Classification of oil palm female inflorescences anthesis stages using machine learning approaches. Information Processing in Agriculture, 8(4), pp.537-549.
