Fertilización predictiva: el rol de Big Data y la Inteligencia Artificial

El uso de Big Data e Inteligencia Artificial está revolucionando la nutrición de cultivos, desde la utilización de modelos predictivos de rendimiento y calidad, hasta el uso de “gemelos digitales” que simulan escenarios en tiempo real para optimizar decisiones agronómicas.

El argentino Ignacio Ciampitti, investigador de la Universidad de Purdue, y Esteban Tronfi, de la empresa Ravit, abordaron la temática durante el simposio Fertilidad 2025, que se realizó en Rosario.

Ciampitti señaló que “la tecnología avanza más rápido que la ciencia”, por lo cual planteó que además de contar con datos hay que integrarlos y darles valor para la toma de decisiones. “La agricultura digital no es nueva, pero aún estamos aprendiendo a usarla bien”, dijo. En este sentido recordó que hay herramientas disponibles desde hace décadas, como los monitores de rendimiento, que recién ahora se usan de forma efectiva “por el desarrollo de plataformas que permiten procesar y transformar esos datos en prescripciones de manejo”.

Modelos predictivos

El profesor universitario planteó la necesidad de construir modelos predictivos a partir de múltiples fuentes de información. Puso como ejemplo a los modelos probabilísticos que permiten ajustar la densidad óptima de plantas según condiciones climáticas, como años secos o húmedos. También ejemplificó con el uso de imágenes satelitales para monitorear cultivos, predecir rendimiento y estimar estados fenológicos. Apuntó que, en ensayos realizados en Estados Unidos y Brasil, el equipo de Purdue logró predecir rendimientos de maíz y trigo con altos niveles de precisión, utilizando índices espectrales de satélites como Sentinel. “Una imagen satelital por semana es suficiente para tomar buenas decisiones”, dijio.

Ciampitti compartió avances en colaboración con la Nasa, en los que a partir de vuelos con sensores hiperespectrales en aviones lograron estimar concentraciones de nitrógeno en maíz y construir curvas de dilución de nutrientes. “Lo que buscamos es saber, en cada momento, cuánta biomasa hay y cuánta concentración de nitrógeno, para ajustar la nutrición de forma dinámica”, explicó.

En una línea más ambiciosa, también mostró avances en la predicción de calidad de cultivos. Con un trabajo basado en más de 300 lotes de productores en Estados Unidos, desarrollaron modelos que permiten mapear proteína y aceite en soja a partir de imágenes satelitales y algoritmos de inteligencia artificial. “La idea es construir una secuencia de datos que conecte satélites, cultivos y modelos de machine learning (aprendizaje automático) para hacer predicciones útiles y transferibles”, dijo. Y cerró: “La imagen satelital sin interpretación agronómica no sirve”.

Gemelos digitales

Tronfi, fundador de la Red Agropecuaria de Vigilancia Tecnológica (Ravit), se refirió a la experiencia de agronomía aumentada, los “gemelos digitales” para aprender y decidir mejor la nutrición de sistemas complejos. Estos modelos de toma de decisión implican “empoderar a quien toma las decisiones, dotarlo de más capacidades”. Para ello, dijo, “necesitamos unir el mundo de las decisiones con el mundo de la realidad”.

“Entendíamos que en la tecnología que manejábamos, los puntos que fundamentaban las decisiones estaban bien, lo que había cambiado era el contexto”. Por eso, dijo que ahora “si queremos aprender de la realidad, tenemos que trabajar en una red de realidades que permitan abordar toda esa complejidad”.

Así con el propósito de trasladar esa red de experiencias reales a la toma de decisiones “con datos anclados”, en la Ravit se propusieron construir “tres convergencias”: la de la experiencia a partir de los agricultores; la de la inteligencia colectiva con la integración técnica y científica; y la tecnológica con IA y Big Data.

“A partir de estas convergencias desarrollamos modelos regionales con relación entre el ambiente, las decisiones de manejo y los resultados, conformando 750.000 nodos que llamamos tokens”, detalló Tronfi. “Queríamos llegar al decisor en el lote y dentro del lote en los diversos ambientes, así aparecieron los gemelos digitales”, agregó.

De ahí definió que “un gemelo digital es la representación del lote, es el intermediario entre los datos del lote y el conocimiento científico para la interpretación”, similar a una pantalla de simulación “donde se pueden plantear diferentes situaciones en base a datos reales, como la oferta hídrica y establecer variables de rendimiento y alternativas de fertilización nitrogenada en función de los posibles mapeos”.

“Con esos mapeos se establecen diversas alternativas de manejo con una proyección muy acertada y con un margen de anticipación que puede funcionar en los diferentes escenarios”, concluyó Tronfi.