Matemáticas para igualar la oferta y la demanda en agricultura

La Organización de las Naciones Unidas para la Alimentación y la Agricultura (FAO) ha elegido 2020 como el Año Internacional de la Salud Vegetal, con el objetivo de concienciar sobre la importancia de la protección de la salud de las plantas para erradicar el hambre, reducir la pobreza, proteger el medio ambiente e impulsar un desarrollo económico sostenible. Todas estas son metas que se enmarcan dentro de los Objetivos de Desarrollo Sostenible de la ONU, y la investigación matemática puede contribuir a su consecución.

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

En primer lugar, se modeliza matemáticamente el mercado de alimentos de forma global como un sistema complejo, identificando las características de producción y consumo de la agricultura en cada país (superficie cultivada, clima, población, consumos…) y también las relaciones comerciales entre los países, en lugar de analizarlos como islas independientes como se venía haciendo en los últimos años. El resultado, tras procesar esta enorme cantidad de datos, es un grafo, donde cada vértice es un país, y las aristas – uniones entre vértices– representan las exportaciones e importaciones de productos frescos entre países. Las múltiples características que describen cada país se representan en el grafo como propiedades de los vértices (tamaño, forma, color...), y las de las relaciones comerciales, con el grosor o dirección de las aristas.

A partir de las propiedades de los vértices 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 selección de las variables, para aislar la señal del mercado y eliminar el ruido. El objetivo es descartar la información irrelevante. Sobre este sistema de variables se aplican algoritmos de redes neuronales y deep learning para predecir la demanda del mercado y la evolución 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 pronóstico.

Para obtener una predicción fiable, es fundamental disponer de un conjunto de datos que describan el sistema de forma completa

Por ello, para obtener una predicción fiable, es fundamental disponer de un conjunto de datos que describan el sistema de forma completa. La depuración cuidadosa de los mismos es crucial, ya que si se omite información relevante, los algoritmos no podrán salvar esta limitación. Por ejemplo, si únicamente se dispone de un registro por debajo del 60% de las transacciones comerciales mundiales, el modelo adolece de una limitación importante. Hay que señalar que nunca se dispone del total de la información y por tanto no existe un algoritmo perfecto que tenga una precisión 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 teledetección. Esta técnica consigue reconocer de forma remota cada cultivo y estimar su producción a partir de satélites y drones, y algoritmos de machine learning. Los drones y satélites captan la reflectancia a distintas longitudes de onda, y generan un vector de reflectancias. Para interpretar dicho vector se usan los llamados índices de vegetación. El más 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 fotosíntesis y por tanto dan idea de su salud, de forma análoga a lo que hacemos ‘a ojo’ aseverando que el verdor indica un estado satisfactorio de nuestras plantas domésticas.

Los drones y satélites captan la 'reflectancia' a distintas longitudes de onda, y generan un vector. Para interpretarlo se usan los llamados "índices de vegetación"

Por el momento, con estas técnicas se ha conseguido diferenciar entre distintas variedades y analizar la evolución de su estado vegetativo, pero todavía es necesario mejorar las estimaciones de la producción de un cultivo generadas a partir de la teledetección, para que se ajusten más a la realidad. En esta línea se lleva a cabo en el ICMAT una investigación conjunta entre España y Egipto, liderada por la start-up AGrowingData y financiada por el Centro para el Desarrollo Tecnológico Industrial (CDTI), en la que se analizan medidas en campo junto con datos de teledetección para encontrar los índices de vegetación y algoritmos más adecuados que permitan estimar la producción futura en los cultivos que se realizan en las orillas del Nilo.

Javier Borondo es director de tecnología de AgrowingData y colaborador del ICMAT

Café y Teoremas es una sección dedicada a las matemáticas y al entorno en el que se crean, coordinado por el Instituto de Ciencias Matemáticas (ICMAT), en la que los investigadores y miembros del centro describen los últimos avances de esta disciplina, comparten puntos de encuentro entre las matemáticas y otras expresiones sociales y culturales y recuerdan a quienes marcaron su desarrollo y supieron transformar café en teoremas. El nombre evoca la definición del matemático húngaro Alfred Rényi: "Un matemático es una máquina que transforma café en teoremas".

Edición y coordinación: Ágata Timón (ICMAT).

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