Actividad agropecuaria

Evolución de las Tecnologías

Agricultura tradicional - Ag 1.0

Autosuficiencia y métodos naturales de fertilización, malezas y control de plagas.

Agricultura mecanizada - Ag 2.0

Mecanización y fertilización química y control de malezas / plagas.

Agricultura de precisión - Ag 3.0

Gestión de recursos en respuesta a las variabilidades inter e intra-campo en los cultivos.

Agricultura inteligente - Ag 4.0

Diversas definiciones, centradas en el bienestar humano, económico y ambiental.

​

Producir más y mejor con los mismos o menos recursos cuidando el medio ambiente. Mirada a toda la cadena (producción, transformación, distribución/comercialización y consumo)

​

• Desarrollo de máquinas, componentes precisos, actuadores, sensores, etc.�
• La explotación de datos disponibles y/o generados por estos equipos.

AgTech 4.0: Dos “caminos”

“Disciplina emergente que se basa en el conocimiento en metodología estadística y ciencias de la computación para crear predicciones e e ideas impactantes para una amplia gama de campos académicos tradicionales”.

Ciencia de Datos

Ciencia de Datos

https://es.r4ds.hadley.nz/explora-introduccion.html

Primer paso necesario: acceso a los datos

• Datos de entrada para los análisis y desarrollo de modelos.�
• Sistemas de información, sistemas interoperables y paquetes de R.

Primer paso necesario: acceso a los datos

Clima

�

Suelos

�

GeoINTA

�

GEE

�

https://github.com/AgRoMeteorologiaINTA

https://github.com/INTA-Suelos

http://www.geointa.inta.gob.ar/

Segundo paso necesario: software para procesar esos datos

Radares Meteorológicos

�

https://github.com/INTA-Radar

Inteligencia de Negocios

�

Lenguajes

de

programación

�

Casos de uso: Inteligencia de Negocios

https://public.tableau.com/profile/juan.caldera#!/vizhome/MonitoreoProHuerta/ResultadoMonitoreosGraficos

Casos de uso: Inteligencia de Negocios

https://public.tableau.com/profile/juan.caldera#!/vizhome/MonitoreoProHuerta/ResultadoMonitoreosGraficos

Casos de uso: Aprendizaje

automático y sensores remotos

​

​

Variables de entrada

Modelo

Algoritmo

​

​

Aprendizaje supervisado

sensores remotos

Radares meteorológicos Satélites .

​

​

Aprendizaje supervisado

Ocurrencia de granizo: variables

Variables del RADAR

​

5 variables

144 tomas al día

480x480 pixeles

​

165.888.000 datos diarios

Variables del RADAR

​

​

Aprendizaje supervisado

Ocurrencia de granizo: variables

Lotes con y sin daño por granizo

​

​

Aprendizaje supervisado

Modelo de granizo: resultados

Resultados modelos. 

Anguil 10-12-2012

������Modelo 3: 84% de exactitud

Variables de la 1ra elevación (tiene en cuenta valores vacíos en las variables)

Aprendizaje supervisado

Estudiar distribuciones de eventos de alto impacto

Informe realizado luego de un evento de granizo importante

Aprendizaje supervisado

Mapas con zonas con mayor riesgo

Convenio de Colaboración Técnica N° N 25104 INTA – Paraná Sociedad Anónima de Seguros

​

Obtener una imágen

Filtro una imágen

Aplico un algoritmo de clasificación

Aprendizaje supervisado

emergencias agropecuarias

2017

Aprendizaje supervisado

emergencias agropecuarias

https://github.com/INTA-Radar

​

​

Aprendizaje supervisado

sensores remotos

Herramientas Equipo de trabajo .

https://juanferr.shinyapps.io/raster/

https://github.com/INTA-Radar

Casos de uso:

Aprendizaje NO Supervisado

​

​

​

Clasificación de Sistemas Productivos Preponderantes utilizando técnicas de agrupamiento.

​

​

Aprendizaje NO supervisado

Sistemas productivos preponderantes

​

​

​

Registro Provincial Agropecuario

(REPAGRO)

​

+1000 variables totales

7.766 casos totales para 2014

​

​

​

​

​

​

​

​

​

​

​

​

​

​

​

Provincia de La Pampa

​

​

​

​

​

​

​

​

​

​

​

​

​

​

​

​

¿por qué atributo de similitud se podrían agrupar estos

“casos”?

​

K-means

K-medoids

Metodología: Clustering

Aprendizaje NO supervisado

Sistemas productivos preponderantes

Grupo 2 (47 casos)

​

Sistema de producción caprina en monte natural.

​

Sólo el 29% de las emisiones son bovinas mientras que un 65% corresponden a caprinos y equinos. La paridad en la proporción de emisiones de caprinos y equinos (33% y 34% respectivamente), se explica en el mayor peso de los equinos (510 kg más) respecto de los caprinos; aunque a nivel de “kilo vivo” los caprinos emiten más que los equinos por ser rumiantes.

13 grupos

Indice Jaccard: > 0.80

Silueta: entre 0.1 y 0.57

Cantidad de casos: entre 64 y 1207

La pregunta del millón:

¿cómo sabemos si esos grupos representan grupos reales?

Aprendizaje NO supervisado

Sistemas productivos preponderantes

Resultados

1. Miramos los grupos con expertos del negocio

​

• Buscamos una coherencia de:
• Tamaños
• Actividades
• Distribución espacial

Aprendizaje NO supervisado

Sistemas productivos preponderantes

Algunos resultados:

Grupo 2

N 213

Silueta 0.31

Jaccard 0.91

Sistema cría caprina y bovina

Aprendizaje NO supervisado

Sistemas productivos preponderantes

Grupo 13

N 175

Silueta 0.52

Jaccard 0.92

Algunos resultados:

Sistema agricultura de verano

Aprendizaje NO supervisado

Sistemas productivos preponderantes

Algunos resultados:

Grupo 3

N 1065

Silueta 0.36

Jaccard 0.95

Sistema Cría Bovina

Aprendizaje NO supervisado

Sistemas productivos preponderantes

Herramientas Equipo de trabajo

Aprendizaje NO supervisado

Sistemas productivos preponderantes

Visión artificial: Deep learning

Identificación de enfermedades

• Detección de Huanglongbing (HLB)
• Enfermedad más devastadora de los cítricos
• No existe producto o método para salvar el árbol cítrico afectado
• Experto. Confusión con otros problemas como Zinc, Magnesio.

Visión artificial: Deep learning

Identificación de variedades

Herramienta que coopera con las tareas de identificación de las variedades de mandioca independiente de la época del año.

Visión artificial: Deep learning

Estimación de características

• Cálculo de área foliar (rendimiento)
• Cálculo de rendimiento.

Visión artificial: Deep learning

Herramientas y equipo de trabajo

Tener los datos es una condición necesaria pero no suficiente

Necesitamos saber cómo aprovecharlos.

Adquirir nuevas habilidades y aprovechar nuevos tipos de servicios

Trabajar interdisciplinariamente y sector público-privado.

Comunidades de Práctica

Grupo amplio de personas que comparten saberes y aprendizajes de un tema transversal a distintas profesiones

​

¿Qué comunidades hay?

¿Qué hacemos en esas comunidades?

Arte por: Allison Horst

Organización global que promueve la diversidad de género en la comunidad de R mediante meetups y mentorías en un espacio seguro

https://www.rladies.org/

MetaDocencia

https://www.metadocencia.org/

1600+ docente de 23 países mostraron interés

Si queres llegar rápido, viajá solo, pero si querés llegar lejos viajá acompañado

Arte por: Allison Horst

https://yabellini.netlify.app/es/

@yabellini